Isolation Forest

Die meisten bestehenden modellbasierten Ansätze zur Anomalieerkennung erstellen ein Profil normaler Instanzen und identifizieren dann Instanzen, die nicht dem Normalprofil entsprechen, als Anomalien. Dieses Papier schlägt eine grundlegend andere modellbasierte Methode vor, die explizit Anomalien isoliert anstatt normale Punkte zu profilieren. Nach unserem besten Wissen wurde das Konzept der Isolation in der aktuellen Literatur bisher nicht untersucht. Die Nutzung von Isolation ermöglicht der vorgeschlagenen Methode, iForest, Subsampling in einem Ausmaß zu verwenden, das in bestehenden Methoden nicht realisierbar ist, wodurch ein Algorithmus mit linearer Zeitkomplexität, einem niedrigen Konstanten und geringem Speicherbedarf entsteht. Unsere empirische Bewertung zeigt, dass iForest im Vergleich zu ORCA, einer Distanz-basierten Methode mit nahezu linearer Zeitkomplexität, LOF und Random Forests hinsichtlich AUC und Verarbeitungszeit günstig abschneidet, insbesondere bei großen Datensätzen. iForest arbeitet auch gut in hochdimensionalen Problemen mit einer großen Anzahl irrelevanter Attribute und in Situationen, in denen der Trainingssatz keine Anomalien enthält.