PIF: Anomaly detection via preference embedding

要約

構造化されたパターンに関する異常を検出する問題に対処します。
この目的のために、適応的分離方法の利点を優先埋め込みの柔軟性と組み合わせたPIFと呼ばれる新しい異常検出方法を考えます。
具体的には、効率的な樹木ベースの方法であるPi-forestが異常スコアを計算するために採用されている高次元空間にデータを埋め込むことを提案します。
合成および実際のデータセットでの実験は、PIFが最先端の異常検出技術と好ましく比較され、Pi-Forestが優先空間の任意の距離と分離点の測定に優れていることを確認することを示しています。

要約(オリジナル)

We address the problem of detecting anomalies with respect to structured patterns. To this end, we conceive a novel anomaly detection method called PIF, that combines the advantages of adaptive isolation methods with the flexibility of preference embedding. Specifically, we propose to embed the data in a high dimensional space where an efficient tree-based method, PI-Forest, is employed to compute an anomaly score. Experiments on synthetic and real datasets demonstrate that PIF favorably compares with state-of-the-art anomaly detection techniques, and confirm that PI-Forest is better at measuring arbitrary distances and isolate points in the preference space.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google