Isolation Forest Robuste

Isolation Forest Robuste étend le détecteur d'anomalies classique Isolation Forest avec des stratégies qui réduisent la sensibilité à la contamination des données, aux effets de masquage et aux divisions aléatoires biaisées. En intégrant des mécanismes de robustesse — tels que l'amélioration de l'échantillonnage, la repondération des régions suspectes ou la division corrigée du biais — il obtient des scores d'anomalie plus fiables lorsque les données d'entraînement elles-mêmes contiennent une fraction non négligeable d'anomalies ou lorsque des distributions de caractéristiques spécifiques amènent iForest standard à produire des longueurs de chemin peu fiables.