Online Isolation Forest

要約

異常検出の文献は、メモリ内のデータへの繰り返しのアクセスが必要であり、ストリーミングコンテキストに適用される場合に非現実的な仮定を課すオフライン方法が豊富です。
既存のオンライン異常検出方法も、一般にこれらの制約に対処できず、オンラインコンテキストに適応するために定期的な再訓練に頼っています。
オンラインIforestを提案します。これは、時間の経過とともに進化するデータ生成プロセスをシームレスに追跡するストリーミング条件向けに明示的に設計された新しい方法です。
現実世界のデータセットでの実験的検証は、オンライン – フォレストがオンラインの代替品と同等であり、定期的な再訓練を受ける最先端のオフライン異常検出技術と密接にライバルであることを実証しました。
特に、オンラインIFORESTは、すべての競合他社が効率性の点で一貫して優れているため、異常の迅速な識別がサイバーセキュリティ、詐欺、障害検出などの主要な重要性があるアプリケーションで有望なソリューションとなっています。

要約(オリジナル)

The anomaly detection literature is abundant with offline methods, which require repeated access to data in memory, and impose impractical assumptions when applied to a streaming context. Existing online anomaly detection methods also generally fail to address these constraints, resorting to periodic retraining to adapt to the online context. We propose Online-iForest, a novel method explicitly designed for streaming conditions that seamlessly tracks the data generating process as it evolves over time. Experimental validation on real-world datasets demonstrated that Online-iForest is on par with online alternatives and closely rivals state-of-the-art offline anomaly detection techniques that undergo periodic retraining. Notably, Online-iForest consistently outperforms all competitors in terms of efficiency, making it a promising solution in applications where fast identification of anomalies is of primary importance such as cybersecurity, fraud and fault detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google