Isolation forest
PulseAugur coverage of Isolation forest — every cluster mentioning Isolation forest across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
可解释人工智能框架增强了审计人员对银行业务交易异常检测的能力
本文介绍了一个专为内部审计目的设计的、用于银行业务交易异常检测的可解释人工智能（XAI）框架。该系统利用隔离森林模型进行无监督异常评分，并利用SHAP层提供特征归因解释。Streamlit仪表板使没有机器学习专业知识的审计人员也能访问这些输出，评估结果显示与基线方法相比，精确率和召回率均有所提高，专家反馈表明审计人员的信心和决策质量得到了提升。
-
基于系统调用的HIDS泛化到未见过的CVEs结果喜忧参半
研究人员探索了基于系统调用的主机入侵检测系统（HIDS）的泛化能力。他们研究了在特定通用漏洞披露（CVEs）的正常行为上训练的HIDS，这些CVEs共享同一通用弱点枚举（CWE）类别，是否能够检测同一类别中未见过的CVEs。研究发现，虽然CWE级别的泛化对于某些弱点家族是可行的，但并非普遍适用，并且很大程度上受到正常行为配置文件的广度影响，而不仅仅是CWE标签。
-
基于系统调用的 HIDS 泛化在 CVE 和 CWE 中进行测试
研究人员调查了利用系统调用跟踪的主机入侵检测系统 (HIDS) 的泛化能力。该研究实证测试了在共享同一通用弱点枚举 (CWE) 类的已知通用漏洞和暴露 (CVE) 上训练的异常检测器是否能够识别同一类中新的、未见的 CVE。研究结果表明，虽然使用当前的系统调用特征可以实现某些弱点家族的 CWE 级别泛化，但并非普遍有效，并且可能具有方向依赖性。研究还强调了校准误报率对于该领域可靠报告的重要性。
-
新的P$^2$CE算法为AI生成合理的反事实解释
研究人员开发了P$^2$CE，一种旨在为机器学习模型生成合理帕累托最优反事实解释的新算法。该方法旨在为用户提供一系列不同可行性标准之间的最优权衡，帮助个人理解并可能改变AI系统做出的不利决策。P$^2$CE利用隔离森林进行异常值检测，以确保解释与数据分布一致，并采用SHAP值进行高效计算，在质量和速度方面均优于现有技术。
-
新HDC框架增强边缘AI的异常检测能力
研究人员推出了一种新颖的异常检测框架D2H-AD，该框架利用超维度计算（HDC）。这种受大脑启发的计算方法使用高维向量来表示信息，并整合了基于距离的相似性和感知密度的编码，以改进异常检测。D2H-AD在诸如One-Class SVM和Autoencoders等成熟方法上表现出卓越的性能，提供了一种轻量级、可解释且计算效率高的解决方案，适用于资源受限和实时应用，包括TinyML和边缘AI部署。
-
新研究解决多元时间序列异常检测问题
两篇新研究论文探讨了多元时间序列数据异常检测的先进技术。第一篇论文介绍了CRAFTIIF，一个旨在识别四种不同类型异常（点异常、分布异常、时间异常和集体异常）的框架，该框架结合了小波特征和隔离森林，在mTSBench基准测试中取得了最佳性能。第二篇论文研究了推理窗口策略对基于重构的异常检测方法的影响，证明重叠窗口在各种模型中始终能提高性能，并强调了可复现评估协议的重要性。
-
新的MADQI指标改进了无监督船舶异常检测
研究人员推出了一种名为海上异常检测质量指数（MADQI）的新评估指标，用于无监督学习模型在检测海上自动识别系统（AIS）数据中的异常。该指标旨在提供一种系统且有意义的方法来评估性能，而无需标记数据，从而弥补了当前无监督异常检测方法的不足。MADQI整合了四个组成部分——异常率一致性、物理合理性得分、得分分布分离和极端案例证据——以评估船舶的异常行为，如异常速度或位置。实验表明，该框架的MADQI得分为80.37%，证明了其在识别异常，…
-
新型SilIF算法增强无监督欺诈检测
研究人员开发了SilIF，这是对用于无监督交易欺诈检测的隔离森林算法的一种新颖增强。SilIF包含一个基于轮廓的评分层，该层分析森林树创建的表示空间，以更好地识别异常。在大型交易欺诈数据集上，与标准隔离森林相比，这种增强平均将AUC-PR提高了0.0080，尽管其在不同数据集上的有效性有所不同。
-
AI框架检测足部异常，助力糖尿病溃疡预防
研究人员开发了一个使用可穿戴足部传感器进行无监督异常检测的基线可行性研究框架，以帮助预防糖尿病足溃疡。该研究将Isolation Forest和K-Nearest Neighbors with Local Outlier Factor算法应用于从健康受试者收集的温度和压力数据。虽然两种算法都显示出潜力，但Isolation Forest对细微异常更敏感，并且压力和温度特征之间的正相关表明了多模态监测的价值。
-
新的无监督方法分割音频中的多语言笑声
研究人员开发了一种新的无监督方法，用于分割多种语言的声学笑声。该方法将笑声检测视为音频序列上的异常检测问题，利用带有 BYOL-A 编码器表示的 Isolation Forest 算法。与通常偏向英语数据集的现有最先进算法相比，该方法在非英语语境中表现出更优越的性能。
-
AI 框架 SLEID 增强了以太坊 DeFi 中非法账户的检测能力
研究人员开发了 SLEID，一个旨在检测以太坊去中心化金融 (DeFi) 生态系统中非法账户的新型框架。该自学习集成系统利用隔离森林模型和自训练机制为未标记数据生成伪标签，从而提高检测准确性。涉及超过 690 万笔以太坊交易的实验表明，SLEID 在精确率和 F1 分数方面优于现有方法，尤其是在识别少数非法类别方面，同时显著减少了对标记数据的需求。
-
无监督机器学习检测土壤重金属污染以进行环境风险评估
研究人员开发了一个无监督机器学习框架，用于识别土壤中的重金属污染，重点关注加纳的城市化地区。该研究分析了十二个废物填埋场地的八种金属和健康风险指数，使用隔离森林和PCA重建误差等方法成功地识别出异常样本。这些异常集中在一个地点，显示出显著更高的健康风险值，证明了该框架能够为环境管理提供有针对性的见解。