A Cluster-Based Outlier Detection Scheme for Multivariate Data
基于聚类的多元数据异常值检测方案AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般多元异常值检测，没有金融尾部风险或其他所列细分方向的明确应用依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于聚类的多元数据异常值检测方案
- 研究问题
- 当多个异常值相互掩蔽、削弱平方马氏距离的检测能力时，如何提高多元数据异常值识别的可靠性？
- 方法与思路
- 作者结合重加权的最小协方差行列式方法与多步骤聚类算法，先过滤可能造成掩蔽的点，再进行异常值检测。
- 材料陈述的贡献
- 摘要称，模拟中该方案的异常值检测优于所比较的稳健程序，并提供真实数据比较；方法需要较密集的计算。
- 阅读关注点
- 应核对掩蔽点的筛选规则、聚类步骤和检测阈值，以及模拟中的污染结构、误报控制和计算成本是否具有代表性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，无法判断刊本变化；比较方法、评价指标和异常值设定未说明，不能认定普遍优越。
原文摘要
Detection power of the squared Mahalanobis distance statistic is significantly reduced when several outliers exist within a multivariate dataset of interest. To overcome this masking effect, we propose a computer-intensive cluster-based approach that incorporates a reweighted version of Rousseeuw’s minimum covariance determinant method with a multi-step cluster-based algorithm that initially filters out potential masking points. Compared to the most robust procedures, simulation studies show that our new method is better for outlier detection. Additional real data comparisons are given. Supplementary materials for this article are available online.