基于聚类的异常检测方法及其应用

"Cluster-based outlier detection" 是一种针对分类数据中的异常检测方法，它在数据挖掘领域有着广泛的应用，如欺诈检测、客户行为分析以及入侵检测。传统的离群点检测通常关注单个数据对象，但实际中许多异常事件往往具有时间和空间上的局部特性，可能形成小的异常集群。这些小集群同样可以被视为异常情况，因为它们的行为与数据集中的大部分显著不同。 论文《Cluster-based outlier detection》由 Lian Duan、Lida Xu、Ying Liu 和 Jun Lee 合著，于2008年6月12日在线发表于《应用运营研究》(Ann Oper Res)，并获得了DOI:10.1007/s10479-008-0371-9。作者提出了一种新的离群点定义——基于聚类的离群点，这种定义强调了局部数据行为的重要性。通过这种方法，异常检测不再局限于孤立的数据点，而是扩展到识别由LDBSCAN聚类算法（Duan等人，2007年在《信息系统》期刊上发表的论文Inf.Syst.32(7):978-986中提出的）发现的小规模聚类。 LDBSCAN是一种强大的聚类算法，它不仅能够发现数据中的集群，还能计算每个数据对象的局部可达密度（Local Outlier Factor, LOF）。通过这种方式，该算法能够评估数据对象与其周围邻居的相似性，从而识别出那些在邻域内的密度显著低于其邻域平均密度的对象，这些对象被定义为潜在的离群点或基于聚类的离群点。 总结来说，这篇论文的主要贡献在于提出了一种新的离群点检测视角，通过结合聚类和局部密度分析，有效地检测出数据集中不仅孤立的异常点，还包括那些形成小型异常集群的数据对象。这对于理解和处理复杂数据集中的异常情况具有重要的实践价值。