A decomposition of the outlier detection problem into a set of supervised learning problems


Paulheim, Heiko ; Meusel, Robert



DOI: https://doi.org/10.1007/s10994-015-5507-y
URL: http://link.springer.com/article/10.1007%2Fs10994-...
Weitere URL: http://dl.acm.org/citation.cfm?id=2815985
Dokumenttyp: Zeitschriftenartikel
Erscheinungsjahr: 2015
Titel einer Zeitschrift oder einer Reihe: Machine Learning
Band/Volume: 100
Heft/Issue: 2/3
Seitenbereich: 509-531
Ort der Veröffentlichung: Dordrecht [u.a.]
Verlag: Springer
ISSN: 0885-6125 , 1573-0565
Sprache der Veröffentlichung: Englisch
Einrichtung: Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Information Systems V: Web-based Systems (Bizer 2012-)
Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Web Data Mining (Juniorprofessur) (Paulheim 2013-2017)
Fachgebiet: 004 Informatik
Abstract: Outlier detection methods automatically identify instances that deviate from the majority of the data. In this paper, we propose a novel approach for unsupervised outlier detection, which re-formulates the outlier detection problem in numerical data as a set of supervised regression learning problems. For each attribute, we learn a predictive model which predicts the values of that attribute from the values of all other attributes, and compute the deviations between the predictions and the actual values. From those deviations, we derive both a weight for each attribute, and a final outlier score using those weights. The weights help separating the relevant attributes from the irrelevant ones, and thus make the approach well suitable for discovering outliers otherwise masked in high-dimensional data. An empirical evaluation shows that our approach outperforms existing algorithms, and is particularly robust in datasets with many irrelevant attributes. Furthermore, we show that if a symbolic machine learning method is used to solve the individual learning problems, the approach is also capable of generating concise explanations for the detected outliers.




Dieser Eintrag ist Teil der Universitätsbibliographie.




Metadaten-Export


Zitation


+ Suche Autoren in

+ Aufruf-Statistik

Aufrufe im letzten Jahr

Detaillierte Angaben



Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail


Actions (login required)

Eintrag anzeigen Eintrag anzeigen