आइसोलेशन फॉरेस्ट

अधिकांश मौजूदा मॉडल-आधारित असामान्यताओं का पता लगाने के तरीके सामान्य उदाहरणों की एक प्रोफ़ाइल बनाते हैं, फिर उन उदाहरणों की पहचान करते हैं जो सामान्य प्रोफ़ाइल के अनुरूप नहीं होते हैं, उन्हें असामान्य के रूप में चिह्नित करते हैं। यह पेपर एक बुनियादी रूप से अलग मॉडल-आधारित विधि प्रस्तावित करता है जो स्पष्ट रूप से असामान्यताओं को अलग करता है बजाय इसके कि सामान्य पॉइंट्स का प्रोफ़ाइल बनाए। हमारी जानकारी के अनुसार, आइसोलेशन की अवधारणा वर्तमान साहित्य में अन्वेषित नहीं की गई है। आइसोलेशन के उपयोग से प्रस्तावित विधि, iForest, ऐसे सब-सैंपलिंग का उपयोग करने में सक्षम होती है जो मौजूदा तरीकों में संभव नहीं है, जिससे एक एल्गोरिदम बनता है जिसकी समय जटिलता रैखिक होती है जिसमें कम स्थिरांक और कम मेमोरी आवश्यकता होती है। हमारा अनुभवजन्य मूल्यांकन दिखाता है कि iForest प्रदर्शन में ORCA, एक लगभग रैखिक समय जटिलता वाली दूरी-आधारित विधि, LOF और रैंडम फॉरेस्ट के मुकाबले अनुकूल है, विशेष रूप से बड़े डेटा सेटों में। iForest उच्च आयामी समस्याओं में भी अच्छा काम करता है जिनमें बड़ी संख्या में अप्रासंगिक गुण होते हैं, और ऐसी परिस्थितियों में भी जहां प्रशिक्षण सेट में कोई असामान्य नहीं होता है।