.png){kind=icon}
返回
Multi-Kernelized Fuzzy Granular Outlier Detector
.png){kind=icon}
PRE
AI
DOI：10.1109/tkde.2026.3708765.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模糊信息粒化理论为识别不确定异常值提供了有效框架。然而，现有的核化模糊异常值检测器主要依赖单一核函数，忽视了整合多样核信息的潜力，可能导致异常值检测中的偏差。多核信息融合通过利用多个核函数提取信息并采用信息融合策略，能更全面地捕捉数据分布特征。基于此，本研究提出了一种多核化模糊粒化异常值检测器（MKFGOD）。该检测器首先利用多个核函数从数据中提取模糊关系矩阵，然后采用不同融合策略整合多核信息。基于融合的多核化模糊关系矩阵，检测器定义多核化模糊k近邻，并进一步计算多核化模糊邻域密度。最后，通过计算多核化模糊邻域密度的偏差量化每个样本的异常程度。在多个公开数据集上的实验验证表明，所提出的方法在检测性能上显著优于现有单核和主流异常值检测器。本研究不仅提升了异常值检测的有效性，也为多核信息融合在模糊信息粒化中的应用提供了新颖的理论和实践指导。此外，它强调了信息融合在复杂数据分析中的关键作用。
Keyword:
Fuzzy information granulation theory
multi-kernel information fusion
kernelized fuzzy relations
fuzzy k-nearest neighbor
outlier detection
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
ODMGIS: An Outlier Detection Method Based on Multigranularity Information SetsODMGIS：基于多粒度信息集的离群点检测方法
PREAI
分享收藏分享收藏Predicting Chemotherapy-Induced Peripheral Neuropathy Using Transformer-Based Multimodal Deep Learning基于Transformer的多模态深度学习预测化疗诱导的周围神经病变.png)
Research
OAAI
ResearchIF10.7
OAAI分享收藏
分享收藏
查看更多内容