签名隔离森林

本研究将孤立森林方法扩展至函数数据，以提高异常检测的准确性。

提出了扩展孤立森林（EIF）算法，解决了Isolation Forest算法在数据点异常得分分配的问题。

在多个数据集上验证了EIF算法的鲁棒性显著提高，但计算时间没有明显差异。

提出了一种基于主动学习的方法（ALIF），用于检测领域特定异常，性能优于其他算法。

介绍了EIF+，即增强版的扩展孤立森林，增强了模型的概括能力。

提出了ExIFFI方法，为扩展孤立森林添加了解释性特征，实验结果显示其在异常检测中有效。

讨论了隔离森林算法的改进，通过非一致随机选择变量和阈值，提升了对某些离群点类别的识别能力。

提出OptIForest算法，通过偏差减少实现更好的偏差-方差权衡，实验表明其优于现有方法。

对孤立森林方法进行了信息论动机的评分函数推广，显著改善了异常检测性能。

提出基准区间森林（CIF）分类器，结合时间序列森林和catch22特征集，性能显著提高。