Isolation Forest yang disupervisi mandiri

Isolation Forest yang disupervisi mandiri memperkaya detektor anomali Isolation Forest klasik dengan tahap pra-pelatihan yang disupervisi mandiri. Sebuah tugas pretext — seperti memprediksi rotasi, fitur yang ditutupi, atau pasangan kontrastif — diselesaikan tanpa label untuk mempelajari representasi fitur yang lebih kaya, yang kemudian digunakan saat membangun pohon isolasi, menghasilkan skor anomali yang lebih tajam pada data tabular yang kompleks dan berdimensi tinggi.