软件学报

作者：郑啸，王权鑫，黄俊

单位：郑啸，安徽工业大学 计算机科学与技术学院, 安徽 马鞍山 243032;合肥综合性国家科学中心 人工智能研究院, 安徽 合肥 230071;安徽省工业互联网智能应用与安全工程研究中心, 安徽 马鞍山 24303211,王权鑫，安徽工业大学 计算机科学与技术学院, 安徽 马鞍山 243032;安徽省工业互联网智能应用与安全工程研究中心, 安徽 马鞍山 24303202,黄俊，安徽工业大学 计算机科学与技术学院, 安徽 马鞍山 243032;合肥综合性国家科学中心 人工智能研究院, 安徽 合肥 230071;安徽省工业互联网智能应用与安全工程研究中心, 安徽 马鞍山 24303203

关键词：离群点检测;多视图数据;半监督;视图内重建;跨视图生成

基金：国家自然科学基金(61806005); 安徽省高校协同创新项目(GXXT-2019-025, GXXT-2020-012, GXXT-2022-052); CCF-蚂蚁科研基金(CCF-AFSGRF20210003)

由于多视图数据特征复杂, 多视图离群检测已经成为离群点检测中一个极具挑战性的研究课题. 多视图数据中存在3种类型的离群点, 分别为类离群点、属性离群点和类-属性离群点. 早期多视图离群点检测方法大多基于聚类假设, 当数据中没有聚类结构时很难检测出离群点. 近年来, 许多多视图离群点检测方法使用多视图一致的近邻假设来代替聚类假设, 但仍存在新增数据检测效率低的问题. 此外, 大多数现有的多视图离群点检测方法都是无监督的, 在模型学习过程中会受到离群点的影响, 处理高离群率的数据集时效果不佳. 为了解决这些问题, 提出一种用于高效多视图离群点检测的视图内重建和跨视图生成网络来检测3种类型的离群点, 所提方法包含视图内重建和跨视图生成两个模块. 通过使用正常数据训练, 所提方法可以充分捕捉正常数据中每个视图的特征, 并较好地重建和生成相应的视图. 此外, 还提出一个新的离群值计算方法, 为每一个样本计算相应的离群值得分, 从而高效地检测新增数据. 大量的实验结果表明, 所提出的方法明显优于现有的方法. 这是将基于生成对抗网络的深度模型应用于多视图离群点检测的工作.

来源：2024年第11期

《软件学报》期刊编辑部

查看软件学报杂志2024年第11期