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

该论文介绍了一种名为 ExIFFI 的方法，在工业领域首次应用扩展隔离森林（EIF）异常检测方法，通过提供解释性输出来获得理解结果的原理，并在两个公开工业数据集上进行测试，展示了在解释和计算效率上相对于其他最先进的可解释 AD 模型的卓越效果。

May, 2024

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

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

提出了一种 MEED 框架，其中包括了用于模型解释的实例特征选择技术和基于对抗性不忠诚学习的解释器的设计，以及整合了有效解释方法作为良好的先验知识的扩展， 实验结果表明该方法效果优越，可应用于数据挖掘和知识发现。

Jun, 2020

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。

Apr, 2019

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

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

通过互联网入侵检测系统（IDS）与可解释人工智能（XAI）的集成，最近取得了显著的性能提升，通过精确的特征选择。然而，深入了解网络攻击需要 IDS 内部可解释的决策过程。本文提出了易于解释的泛化机制（IG），具有革新 IDS 能力的潜力。IG 区分出一致的模式，从而使其具有解释能力，可以区分正常和异常的网络流量。此外，一致模式的合成揭示了复杂的入侵路径，为网络安全取证提供了重要见解。通过与实际数据集 NSL-KDD、UNSW-NB15 和 UKM-IDS20 的实验，IG 即使在低比例的训练和测试中也能取得较高的准确性。在 NSL-KDD 中，当比例为 10% 至 90% 时，IG 的准确率（PRE）为 0.93，召回率（REC）为 0.94，曲线下面积（AUC）为 0.94；在 UNSW-NB15 中，IG 的 PRE 为 0.98，REC 为 0.99，AUC 为 0.99；在 UKM-IDS20 中，IG 的 PRE 为 0.98，REC 为 0.98，AUC 为 0.99。值得注意的是，在 UNSW-NB15 中，IG 在 40% 至 60% 时实现 REC=1.0，至少 PRE=0.98；在 UKM-IDS20 中，IG 在 20% 至 80% 时实现 REC=1.0，至少 PRE=0.88。在 UKM-IDS20 中，IG 成功识别出所有三个异常实例，说明其具有泛化能力。这些结果和推论是可复现的。总之，IG 通过在各种数据集和训练和测试比例（从 10% 至 90% 到 90% 至 10%）之间始终表现出色，并且在没有先前接触的情况下优秀地识别新的异常，展示了卓越的泛化能力。其可解释性通过准确区分正常和异常活动的一致证据得到增强，显著提高了检测准确性，降低了误报，从而增强了 IDS 的可靠性和可信度。

Mar, 2024

文章提供了一个基于可解释性和解释性方法的误差检测通用方法，并使用集成梯度方法来减少 Attribution Error。

Jul, 2022