Weighted-digraph-guided multi-kernelized learning for outlier explanation

Lili Guan

doi:10.1016/j.inffus.2025.103026

2025-07-01

PRE

DOI：10.1016/j.inffus.2025.103026

原文链接

原文求助

摘要

En 中文

基于离群子空间挖掘的离群点解释方法因其有效性和可解释性已被广泛应用于各种应用中。这些现有方法旨在找到一个原始空间的离群子空间（一组特征），能够清晰地区分查询离群点与所有内点。然而，当原始空间中的查询离群点与内点线性不可分时，这些现有方法可能无法准确识别能够有效区分查询离群点与所有内点的离群子空间。此外，这些方法忽略了查询离群点与其他离群点之间的差异。本文提出了一种名为WANDER（加权有向图引导的多核化学习）的新型离群点解释方法，旨在学习一个最优的离群子空间，能够同时分离查询离群点、其他离群点以及内点。具体而言，我们首先设计了一个四元组采样模块，将原始数据集转换为一组四元组，以缓解极端数据不平衡问题，并帮助解释器更好地捕捉查询离群点、其他离群点及内点之间的差异。然后，我们设计了一个加权有向图生成模块，以捕捉原始空间中每个四元组的几何结构。为了考虑四元组在原始空间中线性不可分的情况，我们进一步构建了一个特征嵌入模块，将原始空间中的四元组集合映射到一个核化嵌入空间。为了找到最优的核化嵌入空间，我们设计了一个离群度量模块，通过基于加权有向图的四元组损失来迭代更新特征嵌入模块的参数。最后，WANDER通过离群子空间提取模块输出一个用于解释查询离群点的离群子空间。大量实验表明，WANDER在七个真实数据集上优于现有最优方法，在AUPRC、AUROC、Jaccard指数和F1分数上分别实现了最高25.3%、16.5%、37.4%和28.4%的提升。我们的数据集和源代码公开可访问于https://github.com/KDDElab/WANDER1。

Keyword:

Outlier explanation

Outlying subspace

Multi-kernelized learning