階層的参照セットによる散在およびクラスター化された外れ値の頑健な教師なし検出

要約：現実世界のIoTデータ分析タスク、たとえばクラスタリングや異常イベント検出は、教師なしで行われることが多く、外れ値の存在に非常に影響を受けやすい。故障したセンサーの読取り値などに起因する散発的な散在外れ値に加えて、IoTシステムにはしばしばクラスタ化された外れ値が現れます。これらは、複数のデバイスまたはノードが類似の異常測定値を生成する場合に発生し、局所的な干渉、出現するセキュリティ脅威、地域的な誤報などが原因で、マイクロクラスタを形成します。これらのクラスタ化された外れ値は、相対的に高い局所密度のため、通常の挙動と誤認されやすく、散在する異常と文脈的な異常の検出の両方を見えにくくします。これに対処するため、グラフ構造を用いた自然な近傍関係を活用した新しい外れ値検出パラダイムを提案します。これにより、グラフから導出される局所およびグローバルなスケールで参照集合を取り入れることで、複数の視点からの異常評価を促進します。私たちのアプローチは、クラスタ化された異常の干渉を受けずに散在外れ値を効果的に認識できる一方で、グラフ構造は同時にクラスタ化された外れ値グループを反映・分離するのに役立ちます。広範な実験には、比較性能分析、アブレーション研究、下流のクラスタリングタスクでの検証、ハイパーパラメータ感度の評価を含み、提案手法の有効性を示しています。ソースコードは https://github.com/gordonlok/DROD で入手可能です。