본 논문은 저차원 매니폴드로 표현되는 구조적 패턴에 부합하지 않는 샘플을 이상치로 감지하는 문제를 다룹니다. 이를 위해 적응형 isolation-based 방법의 장점과 선호도 임베딩의 유연성을 결합한 일반적인 이상치 탐지 프레임워크인 Preference Isolation Forest (PIF)를 제시합니다. 핵심 아이디어는 저차원 매니폴드를 fitting하여 데이터를 고차원 선호도 공간에 임베딩하고, 이상치를 고립된 점으로 식별하는 것입니다. 이상치를 식별하기 위한 세 가지 isolation 방법, 즉 가장 일반적인 해결책인 Voronoi-iForest, Local Sensitive Hashing을 통해 거리 계산을 피하는 RuzHash-iForest, 그리고 효율성과 효과를 개선하기 위해 지역성 사전 정보를 활용하는 Sliding-PIF를 제안합니다.
