功能孤立森林

Apr, 2019

Functional Isolation Forest

Guillaume Staerman, Pavlo Mozharovskyi, Stephan Clémençon, Florence d'Alché-Buc

TL;DR本研究旨在将广泛应用于有限维数据的孤立森林（Isolation Forest）方法扩展到函数数据，以便更准确地检测出复杂基础设施的异常情况，并提出了基于 IF 算法的函数统计深度方法和多元函数扩展。

Abstract

For the purpose of monitoring the behavior of complex infrastructures (e.g. aircrafts, transport or energy networks), high-rate sensors are deployed to capture multivariate data, generally unlabeled, in quasi continuous-time to detect quickly the occurrence of anomalies that may jeopardize the smooth operation of the system of interest. The statistical analy

anomaly detection isolation forest functional data statistical depth function multivariate functional extension

发现论文，激发创造

签名隔离森林

提出两种新的 AD 算法，以解决 Functional Isolation Forest (FIF) 在线性内积和词典选择方面的限制，结果通过多个数值实验得到验证。

Mar, 2024

OptIForest: 异常检测的最优独立森林

本研究旨在回答孤立森林隔离效率的理论最优分支因子，并通过偏差减少实现更好的偏差 - 方差权衡，提出一种 OptIForest 算法，结合基于聚类的哈希学习，以实现更好的隔离效果、更高效且更具鲁棒性。在一系列基准数据集上的实验表明，该方法普遍优于深度学习等现有方法。

Jun, 2023

扩展隔离森林

介绍一种名为 Extended Isolation Forest（EIF）的算法，用于解决 Isolation Forest 算法在给定数据点上分配异常得分的问题，主要采用两种不同的方法来改善问题，通过分别对多个数据集进行分析，证明了算法的鲁棒性显著提高，但在计算时间方面没有明显差异。

Nov, 2018

孤立森林中随机选择的再审视

本文讨论了隔离森林 (iForest) 算法的改进，即通过非一致随机选择变量和 / 或阈值的方式，优于原算法在某些离群点类别的识别方面，并对比测试不同的分割指导标准。

Oct, 2021

基于深度孤立森林特征重要性的可解释异常检测

本文提出了高效而省时的方法，在隔离森林的全局和局部层面上定义特征重要性得分，并定义了一种在无监督异常检测中执行特征选择的过程。在多个合成和实际数据集上评估了性能，并与现有技术进行比较。

Jul, 2020

基于活动学习的孤立森林 (ALIF)：增强决策支持系统中的异常检测

本文提出了一种基于主动学习的方法（ALIF），用于检测具有领域特定异常定义的不寻常行为，并且性能优于其他最先进的算法。该方法特别适用于集成有异常检测功能的决策支持系统（DSS）。

Jul, 2022

基于分布和容量的孤立森林评分

我们对孤立森林方法进行了两项改进，第一项改进是信息论动机的评分函数推广，允许考虑整个分布而不仅仅是树的平均值；第二项改进是替换孤立森林中基于深度的评分方法，采用基于孤立树叶节点相关的超体积的评分方法，并在生成数据和 34 个 “ADBench” 基准数据集上进行了评估，发现在一些数据集上这两种变体都有显著的改进，并且对于这两种变体中的一种，平均来说在所有数据集上都有改进。我们提供了用于重现实验结果的代码。

Sep, 2023

ExIFFI 和 EIF+：解释性和增强泛化能力，扩展扩展隔离森林

本文介绍了 EIF +，即 Enhanced Isolation Forest 的改进版本，用于增强概括能力；同时，提出了 ExIFFI，一种为 Extended Isolation Forest 添加解释性特征的新方法，即特征排名；实验结果表明 ExIFFI 在异常检测方面具有解释性，并作为无监督环境下的有效特征选择技术。

Oct, 2023

一种基于拟合预测的函数数据探索方法

本文使用符合预测技术计算功能数据的同时预测带和聚类树。我们使用多个新颖的一致性分数来简化计算，并且在不假设任何分布的情况下，为基础随机过程提供了预测集，并提供信息指向潜在进程的高密度区域。

Feb, 2013

基于隔离机制的异常检测：一项调查

孤立基于方法的异常检测方法是一种新颖且有效的方法，可以通过随机分割轻松地隔离出数据中的异常值。这项综述调查了最先进的孤立基于异常检测方法，包括它们的数据分割策略、异常得分函数和算法细节。还介绍了孤立基于方法在不同场景下的一些扩展和应用，例如在流数据、时间序列、轨迹和图像数据集中检测异常。最后，我们指出了一些孤立基于异常检测研究的开放挑战和未来方向。

Mar, 2024