Isolation Forest (iForest) 알고리즘은 이상치가 '소수이고 다르다'는 가정하에 이상치를 효과적으로 탐지하는 비지도 학습 기반 이상치 탐지 알고리즘입니다. 기존 연구들은 iForest를 개선하려는 시도를 했지만, 데이터셋에 따라 성능 차이가 크게 나타났고, 드물고 넓게 분포된 이상치를 분리하는 어려움이 지속되었습니다. 본 논문에서는 이러한 문제를 해결하기 위해 Robust iForest (RiForest)를 제안합니다. RiForest는 기존 특징과 소프트 스파스 랜덤 프로젝션을 통해 얻은 랜덤 하이퍼플레인을 활용하여 데이터셋에 독립적으로 우수한 분리 특징을 식별하고, 최적 분리점 결정을 위해 활용도가 낮았던 valley emphasis 방법을 사용하며, 소프트 스파스 랜덤 프로젝션에서 스파스 랜덤화를 통합하여 이상치 탐지의 강건성을 향상시킵니다. 24개의 벤치마크 데이터셋에 대한 실험 결과, RiForest는 기존 알고리즘보다 이상치 탐지 성능이 우수하며, 노이즈 변수에 대한 안정성과 강건성을 보임을 보여줍니다.
