Mar, 2024

签名隔离森林

PDF
TL;DR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。
functional isolation forestanomaly detectionfunctional datasignature isolation forestrough path theory's signature transform
发现论文，激发创造
  • 功能孤立森林

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 可解释的基于数据驱动的工业过程异常检测

    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

  • 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

  • 用于时间序列分类的规范区间森林 (CIF) 分类器

    本文提出了一种新的以时间序列分类为主题的分类器 —— 基准区间森林（CIF），它将时间序列森林（TSF）和 catch22 特征集相结合，并展示了在 UCR 档案上的显着性能提高。

    Aug, 2020