王诗愉，肖利东，严心淳，应文豪

（1.常熟理工学院计算机科学与工程学院，江苏 常熟 215500；2.常熟市医学检验所，江苏 常熟 215500）

0 引 言

在数据挖掘中，异常检测是指对不符合预期模式的样本进行识别，从数据集中识别出与大多数样本差异较大的对象。异常点也被称为离群值、噪声和偏差等［1］，通常被认为是与其他数据点明显不同或不符合整体预期正常模式的数据点［2］。异常检测是数据挖掘领域中一个重要的方面，被广泛应用于各个领域。例如，在医学领域中，异常数据可能意味着禽流感等传染类疾病的预警，而在天文领域中，异常数据则可能标志着新星的发现［3-6］。因此，异常数据可能具备和正常数据相等的科学价值。

近年来，国内外学者对异常检测领域进行了深入的探讨，提出了许多实用性很高的异常检测算法，为异常检测的进一步研究奠定了基础。Domingues等［7］对常见的异常检测算法进行了分类总结，并根据异常检测所使用技术的不同，分为基于连接函数的异常检测方法［8］（Copula-Based Outlier Detection，COPOD）、基于距离的异常检测方法［9］和基于密度评估的异常检测方法等。其中基于密度评估的局部离群因子检测方法［10］（Local Outlier Factor，LOF）解决了数据倾斜分布下的异常检测问题。LOF 通过计算局部可达密度来得到每一个样本点的局部离群因子，最后根据阈值判断该样本点是否异常。但是，基于密度评估的局部异常检测方法时间复杂度均为O（n2）［11］，这种方法在大规模数据集上的计算成本很高。同时，因为数据相似度的计算离不开距离计算，所以可能会面临距离计算上的“维数灾难”问题［12］。……