局部异常因子
Parent: ai_keywords
核心定义
局部异常因子（Local Outlier Factor, LOF） 是一种基于密度的无监督异常检测算法，由Breunig等人在2000年提出。其核心思想是：通过与邻近样本的局部密度比较，量化每个样本偏离其局部邻域的程度。LOF值大于1表明该点密度显著低于邻居，即被视为异常点（离群值）；接近1则视为正常。该方法无需全局分布假设，特别适用于密度不均匀的复杂数据集。
关键技术点
- k-距离与可达距离
定义样本点 ( p ) 的 k-距离为其与第 ( k ) 近邻的距离；可达距离为 ( \max(k\text{-distance}(o), d(p,o)) )，用于平滑远邻点的距离影响，避免高维稀疏问题。 - 局部可达密度（LRD）
样本 ( p ) 的LRD = 1 /（其 k-近邻集合中所有点对 ( p ) 的可达距离的平均值）。LRD 越低，表示该点周围密度越低。 - LOF计算
LOF = 所有 k-近邻的LRD均值 / 自身LRD。若比值 > 1，说明点 ( p ) 的密度低于邻居，为异常。 - 参数 k 的敏感性
k 过小易产生噪声误判；k 过大则可能无法捕捉局部异常。常用启发式方法（如基于数据规模取 k = 10~20）或使用多尺度LOF变体。 - 高维数据适应性
经典LOF在极高维空间中因距离度量失效（维度灾难），需结合降维（如PCA、UMAP）或采用基于子空间的局部异常检测方法。
医学/神经科学应用场景：脑卒中病灶的早期识别
首都医科大学神经病学团队在急性缺血性脑卒中研究中，可将LOF应用于磁共振弥散加权成像（DWI）的体素分析。传统方法依赖放射科医生手动分割核心梗死区域，而脑卒中病灶在影像上呈现为局部信号强度与纹理的显著异常。具体实现：
- 将每个体素的ADC（表观弥散系数）及相邻体素的梯度直方图作为特征向量；
- 以健康侧脑组织或配准后的标准模板构建正常密度模型，计算每个体素的LOF值；
- 设定阈值（如LOF > 1.5）自动标记异常体素，从而快速勾勒缺血核心区域，并可延伸至半暗带评估。
该方法无须标签数据，对早期微小的局部信号变化敏感，辅助医生在溶栓时间窗内做出更快、更一致的决策。此外，LOF还可用于癫痫脑电图（EEG）棘波检测、帕金森病步态传感器异常步态识别等场景，体现其作为跨模态异常过滤器的通用价值。
