×
李冉；陈洪昌；刘树新；李兴；李英乐；王彪

基于局部-全局邻域信息的不完全混合数据驱动离群点检测。 （英语） Zbl 07831767号

信息科学。 633, 204-225 (2023).
概要：异常检测是识别意外模式、错误和行为的关键任务；因此，最大限度地从无处不在、不完整、冗余、噪声和混合数据中获取有价值的信息是一个巨大的挑战。为了实现高效的基于图形的离群点检测，我们增强了相似对象之间的连通性，削弱了异构对象之间的连接。本文提出的网络结构称为“我未完成我本地和克叶状的n个邻里关系我信息（ILGNI）网络。“在该网络中，可以从两个方面利用不完全混合数据；单属性局部信息和多属性全局信息。具体来说，我们最初使用无监督属性约简方法来提高数据质量。然后，从局部和全局信息的角度，利用对象的相似性水平设计强邻域和弱相似关系来处理不完整数据。在此基础上，可以实现大量细粒度邻域信息网络的拓扑重构。最后，考虑ILGNI网络上马尔可夫随机游走模型的平稳分布，计算了离群值得分。在四个真实电信欺诈数据集上的实验表明，该算法可以在较低的时间复杂度下实现增强的离群值检测性能。此外，该方法可以有效地挖掘从不完整数据中获得的信息，对特征相关和特征相关数据集具有很高的适用性。

MSC公司：

68年XX月 计算机科学
90倍X 运筹学、数学规划

关键词：

马尔可夫随机游走；不完全混合数据；基于图形的离群点检测；无监督属性约简；局部-全局信息挖掘；邻域信息熵
PDF格式BibTeX公司 XML格式引用
\textit{R.Li}等人，《信息科学》。633204-225（2023；Zbl 07831767）
全文： 内政部

参考文献：

[1] 胡晓霞。；陈，H.C。；Liu，S.X。；姜浩。；Chu，G.H。；Li，R.，BTG：电信欺诈检测中图形机器学习的桥梁，《未来一代》。计算。系统。，137, 274-287 (2022)
[2] 王伟平。；郭建杰。；王，Z。；Wang，H。；Cheng，J。；Wang，C.Y。；袁，M.M。；库尔斯，J。；罗，X。；高毅，基于深度强化学习的工业控制网络异常流量检测，应用。数学。计算。，409，第126379条pp.（2021）
[3] Shehnepoor，S。；Salehi，M。；法拉巴赫什，R。；Crespi，N.，NetSpam：在线社交媒体评论的基于网络的垃圾邮件检测框架，IEEE Trans。Inf.法医安全。，12, 7, 1585-1595 (2017)
[4] Djenouri，Y。；Belhadi，A。；Lin，J.C。；Djenouri，D。；Cano，A.，《城市交通异常检测算法调查》，IEEE Access，712192-12205（2019）
[5] 尚德，B。；Kumaravelan，G.，《无线传感器网络的离群检测策略：一项调查》，J.King Saud Univ，Compute。信息科学。，6 (2021)
[6] 施密德尔，S。；Wenig，P。；Papenbrock，T.，《时间序列中的异常检测：综合评估》，VLDB J.，15，9，1779-1797（2022）
[7] 李·T。；寇，G。；彭，Y。；Shi，Y.，《自适应超球分类：基于竞争学习的增量分类器》，IEEE Trans。系统。人类网络。系统。，50, 4, 1218-1229 (2020)
[8] Papadopoulos，A.A。；Rajati，M.R。；谢赫，N。；Wang，J.M.，分布外检测的置信控制异常暴露，神经计算，441，21，138-150（2021）
[9] Djenouri，Y。；Djenouri，D。；Lin，J.C.，《轨迹异常值检测：智能城市的新问题和解决方案》，ACM Trans。知识。发现。，15, 2 (2021)
[10] Degirmenci，A。；Karal，O.，《数据流中基于密度和聚类的高效增量异常值检测》，《信息科学》。，607, 901-920 (2022)
[11] 李·T。；寇，G。；彭，Y。；Yu，P.S.，《金融数据的集成集群检测、优化和解释方法》，IEEE Trans。赛博。，2021年12月52日
[12] Yang，J.W。；Rahardja，S。；Franti，P.，Mean-shift离群值检测和过滤，模式识别。，115，第107874条pp.（2021）
[13] 寇，G。；Xu，Y。；彭，Y。；沈，F。；陈，Y。；Chang，K。；Kou，S.M.，利用交易数据和两阶段多目标特征选择进行中小企业破产预测，Decis。支持系统。，140，第113429条pp.（2021）
[14] 袁，Z。；张晓云。；Feng，S.，基于邻域信息熵的混合数据驱动离群值检测及其发展措施，专家系统。申请。，112, 243-257 (2018)
[15] 江，F。；Sui，Y.F。；Cao，C.G.，基于信息熵的粗集离群值检测方法，专家系统。申请。，37, 9, 6338-6344 (2010)
[16] Chen，Y.M。；Miao，D.Q。；张海勇，邻域异常值检测，专家系统。申请。，第37页，第12页，第8745-8749页（2010年）
[17] Moonesignhe，H.D.K。；Tan，P.N.，使用随机行走进行离群点检测，（2006年IEEE第18届人工智能工具国际会议（2006年），IEEE），532-539
[18] 王，C。；刘，Z。；高，H。；Fu，Y.，VOS：一种新的使用虚拟图的离群值检测模型，Knowl-基于系统。，185，第104907条pp.（2019）
[19] Wang，Y。；李永平，基于加权邻域信息网络的混合值数据集离群点检测，信息科学。，564, 396-415 (2021)
[20] Li，R。；陈，H.C。；Liu，S.X。；王凯。；王，B。；胡晓霞，TFD-IIS-CRMCB：基于相关关系和最大一致块的不完备信息系统电信欺诈检测，熵，25，1，1-24（2023）
[21] Baraldi，A.N。；Enders，C.K.，《现代缺失数据分析导论》，J.Sch。心理医生。，48, 5-37 (2010)
[22] 钱，W.B。；Shu，W.H.，具有模糊决策的不完备有序信息系统的属性约简，应用。软计算。J.，7，242-253（2018）
[23] Clark，P.G。；高，C。；Grzymala-Busse，J.W。；Mroczek，Teresa，挖掘不完全数据的特征集和广义最大一致块，Inf.Sci。，453, 66-79 (2018) ·Zbl 1440.68204号
[24] Nazabal，A。；Olmos，P.M。；加赫拉马尼，Z。；Valera，I.，使用VAE处理不完整的异构数据，模式识别。，107，第107501条，第（2020）页
[25] 李·T。；寇，G。；Peng，Y.，通过特征工程改进恶意URL检测：线性和非线性空间转换方法，Inf.Sci。，91，第101494条pp.（2020）
[26] 李，Z。；Qu，L。；张，G。；谢楠，基于信息熵的异构数据属性选择，国际通用系统。，50, 5, 548-566 (2021)
[27] Wang，J。；Wei，J.M。；Yang，Z.L。；Wang，S.Q.，最大化独立分类信息的特征选择，IEEE Trans。知识。数据工程，1-14（2016）
[28] 北卡罗来纳州图伊。；Wongthanavasu，S.，《基于信息熵和剥离商集的不一致决策表属性约简》，专家系统。申请。，137, 308-323 (2019)
[29] 陈，Y。；刘凯。；宋，J。；Fujita，H。；杨，X。；Qian，Y.，属性约简的属性组，Inf.Sci。，535，64-80（2020）·Zbl 1459.68204号
[30] Wang，Y.B。；陈晓杰。；Dong，K.，通过局部条件熵进行属性约简，Int.J.Mach。学习。赛博。，10, 3619-3634 (2019)
[31] Wang，C.Z。；黄，Y。；丁，W.P。；曹振华，用模糊粗糙自我信息测度进行属性约简，信息科学。，49, 5, 68-86 (2021) ·兹比尔1474.68367
[32] 袁，Z。；Chen，H.M。；李·T·R。；于，Z。；Sang，B.B。；罗，C.，基于模糊粗糙集的混合数据无监督属性约简，信息科学。，572, 67-87 (2021)
[33] 刘晓凤。；Dai，J.H。；Chen，J.L。；Zhang，C.C.，不完全区间值信息系统中基于模糊α相似关系的属性约简方法，应用。软计算。，109, 1-19 (2021)
[34] Yong，B.X。；Brintrup，A.，《具有不确定性量化的贝叶斯自动编码器：走向可信的异常检测》，专家系统。申请。，209，15，第118196条第（2022）页
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。