Isolation forest
PulseAugur coverage of Isolation forest — every cluster mentioning Isolation forest across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
TinyGuard AI 推出，简化费用异常检测
TinyGuard AI 是一款新推出的、由人工智能驱动的工具，旨在帮助用户（尤其是小型企业和自由职业者）检测其 CSV 数据中的异常费用和可疑交易。该应用程序使用 Python 和 Streamlit 构建，提供两种主要的 AI 分析方法：用于异常检测的 Isolation Forest 和用于表格分类的 TabPFN。它旨在通过提供一个易于访问的界面来审查费用记录并生成可下载的结果，从而简化数据分析。
-
深度学习和传统机器学习在罕见细胞检测中优于启发式方法
研究人员比较了荧光显微镜图像中检测罕见死亡细胞的各种计算方法，这是一项对药物疗效评估至关重要的任务。该研究评估了启发式方法、使用数值和图像特征的分类模型以及异常检测技术。结果表明，像ResNet-18这样的深度学习模型和XGBoost等传统机器学习模型表现最佳，显著优于更简单的启发式和异常检测方法。研究结果突显了即使采用先进技术，在此生物医学问题中仍然存在挑战，并暗示了人工智能驱动的决策支持工具对研究人员的潜力。
-
RIFT：引入新的确定性异常检测方法
研究人员引入了RIFT（相对隔离树），一种新颖的确定性异常检测方法。该技术生成最小生成树，并根据每个点视角下树边的大小来对点进行评分。对于一维数据，RIFT精确匹配了闭式隔离森林的极限；而在更高维度上，它提供了一种无参数的泛化方法，对密度变化和聚类异常具有鲁棒性，这与传统的隔离森林不同。
-
AI模型利用传感器数据检测桥梁异常 · arXiv论文
一篇新发表在arXiv上的论文详细介绍了一种结合信号处理和机器学习来检测桥梁传感器数据中异常的方法。该研究采用了数据驱动的Isolation Forest模型，并结合了传统的信号处理技术。使用从挪威iBridge传感器收集的真实世界数据，根据检测准确性、速度和计算需求对这些方法进行了评估。
-
AI管道增强地球观测卫星的海洋异常检测能力
研究人员开发了一种新的地球观测卫星管道，利用AI检测海洋环境异常。该系统采用自监督神经网络将卫星图像压缩到潜在空间，然后使用机器学习模型识别与正常海况的偏差。这个轻量级管道专为计算资源有限的卫星设计，并已集成到欧洲航天局的Phisat-2任务和Microsoft/Thales Alenia Space的IMAGIN-e任务中。
-
新的 ISER 方法增强了表格异常检测能力
研究人员开发了 ISER（基于隔离的球形集成表示），一种用于无监督表格异常检测的新颖方法。ISER 通过使用超球体半径来编码局部密度特征，解决了冲突的分布假设和计算效率低下等挑战。这种方法保持了线性时间和恒定空间复杂度，使其能够高效处理大型数据集。在 20 个真实数据集上的实验表明，ISER 的性能优于包括 Isolation Forest 增强在内的 12 种最先进的方法。
-
新方法增强了AI的单调异常检测能力
研究人员开发了新的单调异常检测方法，专注于识别具有高或低属性值的异常。提出的技术包括一种结合了斜坡函数的非对称距离度量方法，以及一种用于Isolation Forest算法的改进路径长度算法。在合成数据集和真实世界数据集上的实验表明，这些方法在处理单调属性时能提高异常检测性能。
-
新型混合机器学习管道提高了电力传输故障检测的准确性
研究人员开发了一种新颖的混合两阶段机器学习管道，旨在提高电力传输系统的故障检测和分类能力。该管道解决了数据集不平衡和故障特征模仿正常运行条件带来的挑战。通过分离检测和分类，该系统实现了显著更高的准确率，在TLFaultDataset上达到95.8%，在独立数据集上达到97.25%，优于现有基准。
-
深度玻尔兹曼机在表格异常检测方面展现出潜力
一篇新的研究论文重新审视了基于能量的模型（EBM），特别是深度玻尔兹曼机（DBM），用于表格异常检测。该研究假设DBM的平均场能量可以比现有方法更有效地补充基于重构的得分。在UCI Bank Marketing和NSL-KDD数据集上的评估表明，DBM的表现优于几种经典和现代基线方法，并且当与Autoencoder融合时，它在异常检测准确性方面提供了统计学上的显著改进。
-
人工智能方法解决区域供热系统异常值问题，提高能源效率
研究人员探索了多种用于区域供热系统数据的多变量异常值检测方法，旨在识别运行异常并减少天然气消耗和二氧化碳排放。研究评估了包括Z分数、马氏距离、主成分分析（PCA）、孤立森林和Hotelling T平方检验在内的技术。在专家咨询确认其相关性后，采用了一种结合PCA、孤立森林和Hotelling方法的集成方法作为最终方案。
-
AI框架利用卫星数据在加纳检测地下水异常
研究人员开发了一个无监督机器学习框架，利用GRACE卫星数据在加纳检测地下水储量异常。该研究分析了2004年至2024年的地下水变异性，确定了12个异常月份，包括显著的赤字和盈余。研究结果表明，早期存在持续的地下水赤字，随后正异常增加，空间差异显示加纳北部赤字更频繁，南部盈余更多。这种方法为地下水数据有限的地区的地下水监测提供了一种实用的方法。
-
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。