OW-ORF（最优权重一类随机森林）

阿杰不能睡啦

已于 2023-06-27 11:51:36 修改

阅读量396

点赞数

CC 4.0 BY-SA版权

文章标签：随机森林机器学习数据挖掘

于 2023-06-27 11:50:20 首次发布

本文链接：https://blog.csdn.net/ajie_1/article/details/131414127

文章提出了一种针对无线传感器网络中异常检测的分布式方法，利用无监督的最优加权随机森林算法。为解决有限计算和连接问题，设备通过共享决策树模型而非原始数据进行协作。同时，通过动态调整模型权重来应对环境和设备的不可靠性，实现对异常的实时响应。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

motivation

无线传感器网络中的异常检测面临以下挑战：

有限的计算和连接：
为了提高无线传感器网络的可持续性，设备的处理单元（如果有的话）通常具有有限的能效计算能力，并且设备之间的通信应该受到限制以实现节能。
环境和网络拓扑的动态性
由于软件、硬件和环境因素的不同，设备具有不同的特性，反过来，设备也具有不同的信任级别。在环境和拓扑随时间变化的无线传感器网络中，当允许（附近）设备之间进行信息交换时，设备可能容易受到风险的影响。
需要对异常采取实时行动
虽然异常可能来自内在因素或外在因素的变化，但设备需要对异常做出现场决策，以便实时采取适当的行动

创新点

为了解决有限的计算和连接问题，我们的方法是分布式的，在这种方法中，设备通过在必要时相互共享其模型而不是数据来协同做出原位决策。

为了解决设备和环境的不可靠性质，我们的方法使用无监督的最优加权机制来抵御信息交换的风险，该机制在没有监督的情况下确定模型的有用性。

method

一类随机森林
随机森林(random tree)是将多棵树集成的一种算法。它的基本单元是决策树。每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。

在无线传感器网络中的集中异常检测中，每个设备都将其数据传输到执行异常检测的设备。从所有设备收集的数据实例都是可用的，并且可以构建全局模型。然而，无线传感器网络中的分布式异常检测要求每个设备做出其本地决策。
即它们只交换树模型而不是数据样本，分布式随机森林只与邻居交换模型来建立局部模型集，这对于异常检测中的局部建模特别有用。
2. 最优加权随机森林
我们首先为局部决策树模型分配更大的权重，这些模型过去和现在都是有用的。对于从其他设备新交换的模型，初始权重以相对较小的值均匀分配，使得初始权重集有利于局部模型。
![[Pasted image 20230627114322.png]]

如果新数据到达本地模型就进行增量学习，更新树模型。
如果是来自附近设备的新模型，就得到新模型加入到森林中
然后就如果新交换的决策树模型给出了与大多数类似的预测，则集合预测的不确定性降低，因此，模型的权重增加。另一方面，如果新交换的决策树模型针对大多数给出了一致或相反的预测，则集合预测的不确定性增加，而模型的权重降低。
然后更新权重信息，剔除最小权重的模型。

论文连接：[1] Tsou Y L , Chu H M , Li C ,et al.Robust Distributed Anomaly Detection Using Optimal Weighted One-Class Random Forests[C]//IEEE International Conference on Data Mining.IEEE, 2018.DOI:10.1109/ICDM.2018.00171.