Key points are not available for this paper at this time.
Die Anomalieerkennung kann zu unerwartetem und interessantem Wissen führen, was in einigen Bereichen wie der Überwachung krimineller Aktivitäten im elektronischen Handel, Kreditkartenbetrug usw. von entscheidender Bedeutung ist. In diesem Paper haben wir eine effiziente dichtebasierte Anomalieerkennungsmethode für große Datensätze entwickelt. Unsere Beiträge sind: a) wir führen einen relativen Dichtefaktor (RDF) ein; b) basierend auf RDF schlagen wir eine RDF-basierte Anomalieerkennungsmethode vor, die effizient die Datenpunkte, die tief in Clustern liegen, aussondern kann und Anomalien nur innerhalb der verbleibenden kleinen Teilmenge der Daten erkennt; c) die Leistung unserer Methode wird durch eine vertikale Datenrepräsentation, P-Bäume, weiter verbessert. Wir haben unsere Methode mit NHL- und NBA-Daten getestet. Unsere Methode zeigt eine Größenordnungsverbesserung der Geschwindigkeit im Vergleich zu den aktuellen Ansätzen.
Ren et al. (Thu,) haben diese Frage untersucht.