洛夫

LoF:识别基于密度的局部异常值。对于许多KDD应用程序,例如检测电子商务中的犯罪活动,发现罕见的实例或离群值,可能比发现常见模式更有趣。在离群点检测中的现有工作将离群值视为二进制属性。在本文中,我们主张,对于许多情况下,分配给每个对象某种程度的离群值更有意义。这个程度被称为对象的局部离群因子(LoF)。它是局部的,程度取决于物体相对于周围的邻域是如何隔离的。我们给出了详细的形式化分析表明,LoF具有许多期望的性质。使用真实世界的数据集,我们证明了LoF可以被用来寻找离群点,这些异常值看起来是有意义的,但是不能用现有的方法来识别。最后,我们的算法的仔细性能评估证实,我们发现局部异常值的方法是可行的。


ZBMaCT中的参考文献(82篇文章中引用)

显示结果1至20的82。
按年份排序(引文
  1. 布罗迪诺娃,彼得,奥特纳,托马斯;Breiteneder,克里斯蒂安;Rohm,玛雅:高维数据的健壮稀疏k-均值聚类(2019)
  2. Ukasik,Szymon;Lalik,Konrad;萨纳,Piotr;科瓦尔斯基,Piotr A.;Charytanowicz,玛格尔扎塔;库尔齐克,PIOTR:利用近似最近邻的有效天文数据缩合(2019)
  3. 岳朝,Zain Nasrullah,郑丽:PyOD:一个用于可扩展异常检测的Python工具箱(2019)阿西夫
  4. 赵,岳;纳斯鲁拉,ZAN;李,郑:PyOD:一个用于可扩展异常检测的Python工具箱(2019)
  5. 布罗迪诺娃、Zaharieva、玛亚、菲尔泽莫尔、彼得、奥特纳、托马斯、Breiteneder、克里斯汀:不平衡高维媒体数据的聚类(2018)
  6. 林,晁光;朱,Qiuhan;郭,Shunan;靳,Zhuochen;林,Yu Ru;曹,南:通过正则化非负张量分析在时空数据中的异常检测(2018)
  7. 卢卡,Stijn E.;Pimtell,Marco A. F.;WaTikson,Peter J.;克利夫顿,David A.:空间点模式及其极端性新奇检测的点过程模型(2018)
  8. Szczepaniak,P. S.;Duraj,A:基于案例的推理:寻找相似解和离群点识别(2018)
  9. Angiulli,法布里齐奥;Fassetti,法比奥;Mango,GuuePpe;Palopoli,路易吉:具有数值属性的离群性质检测(2017)
  10. Bardet,Jean Marc;Dimby,Solohaja Faniaha:一种新的无界支持分布单变量异常值的非参数检测器(2017)
  11. Chiang,阿尔文;戴维,埃丝特;李,Yuh Jye;Leshem,盖伊;Pig,Y:异常检测系综研究(2017)
  12. GOIX,尼古拉斯;萨布兰,安妮;Cle等人,Stephan:多元极值的稀疏表示及其在异常检测中的应用(2017)
  13. Kutsuna,Tayko;山本,Akihiro:用二元决策图检测离群点(2017)
  14. 路易斯,Sanchez Pi,Nayat;莫丽娜·L·佩兹,约瑟夫曼努埃尔;Bicharra Garcia,Ana Cristina:支持向量机与异常检测分割算法的结合:石油工业比较研究(2017)
  15. ErEF,ONUR;RaZaGHI,Talayeh;Xanthopoulos,PitoS:加权松弛支持向量机(2017)
  16. Ting,凯明;Washio,Takashi;威尔斯,Jonathan R.;Aryal,Sunil:挑战学习曲线的引力:近邻异常探测器的特征(2017)
  17. 王,XITE;白,梅;沈,得荣县;聂,铁正;寇,越;宇,葛:基于无监督极值学习机的基于聚类的离群点检测的分布式算法(2017)
  18. 邓,婷泉;杨,Jinhong:一种改进的基于自适应特征加权聚类的半监督离群点检测算法(2016)
  19. Noyer,J. C.:一类近端支持向量机(2016)
  20. 江,冯;刘,郭珠;杜,Junwei;Sui,岳飞:用离群点检测技术初始化(K)模式聚类(2016)