多核最近邻离群点检测

抗边缘实例干扰

通过多核学习将正常实例映射到更紧密的潜在空间，并用两阶段多核k近邻评分，提升了离群点检测的鲁棒性。

Wang, Xinye · 段磊 · Zhenyang, Yu · He, Chengxin · Bao, Zhifeng

IEEE Transactions on Knowledge and Data Engineering 2024

参数信息

实验数据集数量

10

技术优势

潜在空间更紧致

多核学习让正常实例在潜在空间中彼此靠得更近，同时保留原始分布结构，使离群点更容易被拉开距离。

十数据集验证

在十个公开数据集上进行了充分实验，有效性不依赖单一数据特性。

应用场景

• 异常检测：在数据质量参差时仍能稳定识别离群点，减少人工筛查压力。
• 数据挖掘：可作为数据预处理步骤，帮助发现异常模式，提升下游模型质量。
• 欺诈检测：在欺诈样本与正常样本边界模糊时，仍能有效捕捉可疑交易。
• 网络安全：能检测网络流量中的异常行为，且不易被少量正常流量干扰。
• 故障诊断：在设备运行数据中识别早期故障征兆，降低漏报和误报。