저차원 다양체로 표현되는 구조적 패턴에 부합하지 않는 데이터 집합 내 샘플 식별 문제에 초점을 맞춘 연구입니다. 고차원 공간(Preference Space)에 데이터를 임베딩하여 이상치를 가장 고립된 점으로 식별하는 효과적인 방법을 제시합니다. 고차원 공간에서의 거리 계산을 피하기 위해 Locality Sensitive Hashing을 사용하여 이상치 탐지 효율을 높였으며, Preference Space에서 동작하는 isolation-based 이상치 탐지 기법을 제시하여 기존 최고 성능을 낮은 계산 비용으로 달성합니다. 코드는 공개적으로 제공됩니다.
