Обнаружение аномалий на основе изоляции
Isolation-Based Anomaly Detection
2012-03-01
SCID: 54.1/87jwfdgw
Discuss with AI
Isolation Forestобнаружение аномалийодноклассовый SVMподвыборкаэффекты загрязнения и маскировки
Figures from the paper
Abstract (AI)
Аномалии — это немногочисленные и отличающиеся от других точки данных. В силу этих свойств мы показываем, что аномалии подвержены механизму, называемому изоляцией. В статье предлагается метод Isolation Forest (iForest), который обнаруживает аномалии исключительно на основе концепции изоляции, не используя меры расстояния или плотности, что принципиально отличает его от всех существующих методов. Благодаря этому iForest может использовать подвыборку, чтобы (i) обеспечить линейную временную сложность и небольшой объём требуемой памяти и (ii) эффективно справляться с эффектами загрязнения и маскирования. Результаты эмпирической оценки показывают, что iForest превосходит ORCA, одноклассовый SVM, LOF и Random Forest по показателям AUC и времени обработки, а также устойчив к эффектам маскирования и загрязнения. Кроме того, iForest хорошо работает в задачах высокой размерности, содержащих большое количество нерелевантных признаков, а также в случаях, когда аномалии отсутствуют в обучающей выборке.
Key Findings
1
Экспериментальная оценка показывает, что Isolation Forest превосходит ORCA, одноклассовый SVM, LOF и Random Forest по AUC и времени обработки.
2
Isolation Forest хорошо работает с многомерными данными, содержащими множество нерелевантных признаков, а также при отсутствии аномалий в обучающей выборке.
3
Isolation Forest использует подвыборку, обеспечивая низкую линейную вычислительную сложность и небольшое потребление памяти.
4
Метод эффективно справляется с эффектами засорения и маскирования при обнаружении аномалий.
5
В статье представлен метод Isolation Forest для обнаружения аномалий, основанный исключительно на изоляции наблюдений, без использования мер расстояния или плотности.
Research Object
аномалии в наборах точек данных
Research Subject
эффективность обнаружения аномалий на основе изоляции, включая вычислительную эффективность, AUC, устойчивость к эффектам маскирования и размывания, а также результативность на многомерных данных
Publication Details
Publication Date
2012-03-01
Journal
Publisher
ISSN
Cited by
2573
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью4
Глубокое обучение для обнаружения аномалий2021
Современные достижения в методах обнаружения аномалий, применяемых в авиации2019
Улучшенный метод обнаружения аномалий в данных на основе изолирующего леса2017
FraudGNN-RL: графовая нейронная сеть с обучением с подкреплением для адаптивного выявления финансового мошенничества2025