高阶多视图离群点检测

摘要：

由于数据在不同视图之间的分布比较复杂,传统的单视图离群点检测方法不再适用于多视图离群点的检测,使得多视图离群点检测成为一个颇具挑战性的研究课题.多视图离群点可分为3种类型:属性离群点、类离群点和类-属性离群点.现有方法采用跨视图成对约束来学习新的特征表示,并根据这些特征来定义离群点评分度量.这些方法没有充分利用视图间的交互信息,并且在面对3个或更多视图时会导致计算的复杂度更高.为此,文中考虑将多视图数据重塑成张量集形式,定义高阶多视图离群点,并且证明现有的三类多视图离群点都满足高阶多视图离群点的定义,从而提出一种新的多视图离群点检测算法——高阶多视图离群点检测算法(High-Order Multi-View Outlier Detection,HOMVOD).该算法首先将多视图数据重塑成张量集形式,然后学习其低秩表示,最后设计张量表示下的离群值函数来实现检测.在UCI数据集上的实验表明,HOMVOD算法在检测多视图离群点方面优于现有方法.

关键词：多视图离群点检测、多视图学习、异常检测、张量表示、低秩表示

所属期刊栏目：47

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金重点项目61732006

在线出版日期：2020-09-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：99-104