基于模拟退火的扩展孤立森林异常检测算法

摘要：

扩展孤立森林(Extended Isolation Forest,EIF)有效解决了孤立森林(Isolation Forest,iForest)对局部异常点不敏感的问题,但EIF将轴平行的孤立条件更替为使用随机斜率的超平面,导致算法模型损失了一部分泛化能力,并由于大量的向量点乘运算增加了时间开销.针对上述情况,提出一种基于模拟退火的扩展孤立森林算法(Extended Isolation Forest based on Simulated Annealing,SA-EIF).该算法根据每棵孤立树(Isolation Tree,iTree)对于数据集的预测结果计算每棵iTree的精度值和差异值,并基于此构建适应度函数,最终利用模拟退火算法筛选数棵检测性能较优的iTree构建集成学习模型.在ODDS异常检测数据集中进行K折交叉验证的实验结果表明:SA-EIF算法对局部异常点敏感,较现有的EIF算法减少约20％～40％的时间开销,提高约5％～10％的检测精度.

关键词：扩展孤立森林、孤立森林、模拟退火、异常检测

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划;教育部人文社会科学研究项目;国家自然科学基金;江苏省教育科学十三五规划课题;江苏省大学生创新创业训练计划项目

在线出版日期：2023-03-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：88-94