基于邻域一致性的异常检测序列集成方法

• 作者: 刘意 毛莺池 程杨堃 高建 王龙宝
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 高维数据 异常检测 集成多样性 集成一致性 领域相关性
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 数据库&大数据&数据科学|Database & Big Data & Data Science
• 页码范围: 146-152
• 页数: 7页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.11896/jsjkx.201000156

摘要

异常检测已广泛应用于多个应用领域,如网络入侵检测、信用卡欺诈检测等.数据维度的增加导致出现许多不相关和冗余的特征,这些特征会掩盖相关特征,出现假阳性结果.由于高维数据具有稀疏性和距离聚集效应,传统的基于密度、距离等的异常检测算法不再适用.大部分基于机器学习的异常检测研究都关注单一模型,而单一模型在抗过拟合能力上存在一定的不足.集成学习模型有着良好的泛化能力,而且在实际应用中展现出比单一模型更好的预测准确性.文中提出了基于邻域一致性的异常检测序列集成方法(Locality and Consistency Based Sequential Ensemble Method for Outlier Detection,LCSE).首先基于多样性构造异常检测基本模型,其次根据全局集成一致性筛选出异常候选点,最后考虑数据局部邻域相关性选择并组合基本模型结果.通过实验验证,LCSE相比传统方法异常检测的准确率平均提升了20.7％,与集成算法LSCP_AOM和iForest相比,性能(AUC)平均提升了3.6％,因此其性能优于其他集成方法和神经网络方法.