Robust Isolation Forest

Robust Isolation Forest utvider den klassiske Isolation Forest anomalidetektoren med strategier som reduserer følsomheten for datakontaminering, maskeringseffekter og skjeve tilfeldige splitt. Ved å inkorporere robusthetsmekanismer — som forbedret sub-sampling, re-vekting av mistenkelige regioner, eller bias-korrigerte splitt — oppnår den mer pålitelige anomaliscorer når treningsdataene i seg selv inneholder en ikke-triviell brøkdel av anomalier, eller når spesifikke trekkdistribusjoner får standard iForest til å produsere upålitelige stiavstnader.