Обнаружение аномалий на основе изоляции

Isolation-Based Anomaly Detection
Zhi‐Hua Zhou, Fei Tony Liu, Kai Ming Ting
2012-03-01

Isolation Forestобнаружение аномалийодноклассовый SVMподвыборкаэффекты загрязнения и маскировки
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.
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.

аномалии в наборах точек данных

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
Authors
Zhi‐Hua Zhou
Fei Tony Liu
Kai Ming Ting
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%