Robust Isolation Forest
Robust Isolation Forest utökar den klassiska anomalidetektorn Isolation Forest med strategier som minskar känsligheten för datakontaminering, maskeringseffekter och partiska slumpmässiga uppdelningar. Genom att införliva robusthetsmekanismer — såsom förbättrad subsampling, omviktning av misstänkta regioner eller bias-korrigerad uppdelning — uppnår den mer tillförlitliga anomalipoäng när själva träningsdatan innehåller en icke-trivial andel anomalier eller när specifika funktionsfördelningar får standard iForest att producera opålitliga sökvägslängder.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. In Proceedings of the IEEE International Conference on Data Mining (ICDM), pp. 413–422. IEEE. DOI: 10.1109/ICDM.2008.17 ↗
- Hariri, S., Kind, M. C., & Brunner, R. J. (2019). Extended Isolation Forest. IEEE Transactions on Knowledge and Data Engineering, 33(4), 1479–1489. DOI: 10.1109/TKDE.2019.2947676 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/sv/machine-learning/robust-isolation-forest
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Autoencoder AnomalidetekteringMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
- Robust Autoencoder Anomaly DetectionMaskininlärning↔ compare
- Robust One-Class SVMMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →