Attribute Grouping-Based Outlier Detection Using Dynamic Dimensional Embedding Representations

Yijing Song

doi:10.1002/cpe.70463

2025-12-25

PRE

DOI：10.1002/cpe.70463

原文链接

原文求助

摘要

En 中文

属性分组是高维异常值检测中的一个有效步骤。然而，现有的异常值检测方法仅捕获每个属性组内属性值对之间的局部耦合，而忽略了多个属性值组合之间的全局耦合，从而限制了异常值检测的有效性。在本文中，我们提出了一种基于属性分组的分类数据异常值检测方法，通过使用动态维度嵌入表示来表征所有变量之间的全局耦合。首先，在每个属性组内，我们动态构建所有属性的嵌入维度，以避免静态维度引起的冗余表示。其次，采用多头自注意力机制来构建任意数据对象的动态维度嵌入，有效表征全局耦合。然后，利用动态维度嵌入的重建误差来量化数据对象的异常程度。基于此，我们提出了一种基于属性分组的异常值检测方法，该方法为每个属性组使用动态维度嵌入表示。最终，在UCI和合成数据集上的实验结果验证了该算法具有良好的异常值检测性能。值得注意的是，与竞争方法相比，该算法使AUC指数和检测效率分别平均提升了7.76%和48.49%。

Keyword:

attribute grouping

dynamic dimensional embedding

Multi-Head Self-Attention

outlier detection

reconstruction error