Spatially-Constrained Unsupervised Anomaly Detection

Vitor R. M. Elias

doi:10.1109/tsipn.2026.3703223

Spatially-Constrained Unsupervised Anomaly Detection

2026-06-12

0

PRE

AI

Pierluigi Salvo Rossi

DOI：10.1109/tsipn.2026.3703223

原文链接

原文求助

摘要

En 中文

本文针对空间约束的群体异常检测任务展开研究，该任务在地球科学、环境监测和医学成像等领域具有重要意义。传统方法包括扫描统计量和局部离群因子，而现代方法主要基于自编码器结构。本文提出了一种端到端的基于机器学习（ML）的无监督方法，该方法对异常区域外的异常具有鲁棒性。我们针对地理空间数据进行研究，其中每个点由一个多元特征向量和一个坐标向量组成。在此场景下，局部群体异常是指那些特征不遵循数据集中某种正常概念且被限制在数据集某区域内的点群，该区域外的异常不被视为异常的一部分。所提出的方法采用基于机器学习的聚类方法，通过解决图最小割问题的一种变体，并假设异常数据和非异常数据以不同速度聚类，为每个点生成异常分数。借助网络图表示，该方法还可以用于数据点没有绝对位置向量但可以从数据集中推断相对距离的情况（例如，在社会网络中，友谊关系表示用户间的接近度，而局部性可以表示为一群朋友）。我们将所提出的算法与多种无监督异常检测的最新方法（如基于最近邻和自编码器的算法）在不同指标下进行比较，并在大多数场景中表现出更优性能。此外，我们还分析了算法的适用性，特别是针对异常的局部属性和数据结构。

Keyword:

Anomaly detection

clustering

geospatial data

localized anomalies

mincut

Spatially-Constrained Unsupervised Anomaly Detection

摘要

期刊

机构

引用论文