Weighted Outlier Detection of High-Dimensional Categorical Data Using Feature Grouping
Weighted Outlier Detection of High-Dimensional Categorical Data Using Feature Grouping
复制标题
使用特征分组对高维分类数据进行加权离群值检测
DOI：
10.1109/tsmc.2018.2847625
复制
发表时间：
2020-11
期刊：
影响因子：
--
通讯作者：
Qin Xiao
中科院分区：
文献类型：
--
作者：
Li Junli;Zhang Jifu;Pang Ning;Qin Xiao
我们提出了一种加权离群数据挖掘方法WATCH来识别高维分类数据集中的离群数据。WATCH由两个不同的模块组成：1）通过特征之间的相关性度量进行特征分组，2）通过为每个特征组中的对象分配分数进行离群点挖掘。WATCH的核心是功能分组模块，它将一组功能分组到多个组中，以发现每个组中功能模式的各个方面。离群值挖掘模块从高维分类数据集中检测离群值。除了用户指定的离群值数量外，WATCH有助于绕过任何用户给定参数的优化。我们使用合成和真实世界的数据集来实现和评估WATCH。我们的实验结果表明，WATCH是一个很有前途的和实用的算法来检测高维分类数据集的离群点，因为WATCH实现了高性能的精度，效率和可解释性。
We propose a weighted outlier mining method called WATCH to identify outliers in high-dimensional categorical datasets. WATCH is composed of two distinctive modules: 1) feature grouping by the virtue of correlation measurement among features and 2) outlier mining by assigning scores to objects in each feature groups. At the heart of WATCH is the feature grouping module, which groups an array of features into multiple groups to discover various aspects of feature patterns in each group. The outlier mining module detects outliers from high-dimensional categorical datasets. Except for the number of outliers specified by users, WATCH is conducive to bypassing the optimization of any user-given parameter. We implement and evaluate WATCH using synthetic and real-world datasets. Our experimental results show that WATCH is a promising and practical algorithm to detect outliers in high-dimensional categorical datasets, because WATCH achieves high performance in terms of precision, efficiency, and interpretability.
登录
查看更多内容
影响因子：
4.8
作者：
M. Otey;A. Ghoting;S. Parthasarathy
通讯作者：
M. Otey;A. Ghoting;S. Parthasarathy
一种基于相关子空间的上下文异常值挖掘算法
影响因子：
8.8
作者：
Zhang Jifu;Yu Xiaolong;Li Yonghong;Zhang Sulan;Xun Yaling;Qin Xiao
通讯作者：
Qin Xiao
DOI：
10.1007/11538059_42
发表时间：
2005-03
期刊：
--
影响因子：
--
作者：
Zengyou He;S. Deng;Xiaofei Xu
通讯作者：
Zengyou He;S. Deng;Xiaofei Xu
DOI：
10.2307/2530985
发表时间：
1980-07
期刊：
--
影响因子：
--
作者：
V. Barnett;T. Lewis
通讯作者：
V. Barnett;T. Lewis
DOI：
10.1016/j.patcog.2011.06.004
发表时间：
2012
期刊：
Pattern Recognit.
影响因子：
--
作者：
Xiaojun Chen;Yunming Ye;Xiaofei Xu;J. Huang
通讯作者：
Xiaojun Chen;Yunming Ye;Xiaofei Xu;J. Huang