高阶多视图离群点检测

• 作者: 钟颖宇 陈松灿
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 多视图离群点检测 多视图学习 异常检测 张量表示 低秩表示
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 数据库&大数据&数据科学
• 页码范围: 99-104
• 页数: 6页
• 分类号: TP181
• 语种: 中文
• DOI: 10.11896/jsjkx.200600170

摘要

由于数据在不同视图之间的分布比较复杂,传统的单视图离群点检测方法不再适用于多视图离群点的检测,使得多视图离群点检测成为一个颇具挑战性的研究课题.多视图离群点可分为3种类型:属性离群点、类离群点和类-属性离群点.现有方法采用跨视图成对约束来学习新的特征表示,并根据这些特征来定义离群点评分度量.这些方法没有充分利用视图间的交互信息,并且在面对3个或更多视图时会导致计算的复杂度更高.为此,文中考虑将多视图数据重塑成张量集形式,定义高阶多视图离群点,并且证明现有的三类多视图离群点都满足高阶多视图离群点的定义,从而提出一种新的多视图离群点检测算法——高阶多视图离群点检测算法(High-Order Multi-View Outlier Detection,HOMVOD).该算法首先将多视图数据重塑成张量集形式,然后学习其低秩表示,最后设计张量表示下的离群值函数来实现检测.在UCI数据集上的实验表明,HOMVOD算法在检测多视图离群点方面优于现有方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈松灿		120	1370	19.0	32.0
2	钟颖宇		1	0	0.0	0.0