基于自编码器和集成学习的半监督异常检测算法

• 作者: 夏火松 孙泽林
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 异常检测 提升框架 半监督 自编码器
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 人工智能与数据挖掘
• 页码范围: 1440-1447
• 页数: 8页
• 分类号: TP393
• 字数: 6476字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2020.08.014

摘要

异常检测用来预处理数据,挖掘异类数据信息,是数据挖掘的一种重要方法.近年来由于维度灾难问题,高维异常数据检测显得十分困难,针对上述问题提出一种基于自编码器和集成学习的半监督异常检测算法.首先利用自编码器降维,在编解码过程中异常数据的异常程度被增大,然后在AdaBoost提升框架中融合iforest、LOF、K-means算法,基于3种算法对于不同异常类型的敏感性,提升异常检测的准确性.选取UCI机器学习库中的高维异常数据集进行实验.实验结果表明,该模型的准确性相较于目前主流的异常检测算法有显著提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	夏火松	武汉纺织大学管理学院	53	422	11.0	18.0
2	孙泽林	武汉纺织大学管理学院	1	0	0.0	0.0