离群检测是数据挖掘的重要任务之一,它的主要目标是从数据集中发现与大部分其他数据点有显著区别的样本。这些数据点往往蕴含着重要的信息,有很重要的使用价值和广阔的应用前景,为全面认识数据提供支持。因而,近年来离群检测算法在各个专业领域应用广泛。包括网络入侵,信用卡欺诈,生态系统失衡,医疗卫生等。在大数据时代,面对爆炸增长的海量数据和多维数据带来的维数灾难,怎样快速挖掘出隐藏在其中的离群点成为一个极具挑战性的课题。传统的离群检测算法,例如基于聚类的,基于密度的离群检测算法,大多从全部属性空间寻找离群点,然而,有些离群点的离群特性只能在特定的子空间才有所体现,维数灾难淹没了这些离群点。另一方面,传统离群检测算法只从单一视角解读数据,然而对一个数据集,可能内部蕴含不同的产生机制,从而有不同视角的加以解读。针对传统算法在维数灾难和单一视角情况下不能有效发现离群点的问题,本文提出一种基于多视角聚类的离群检测算法。该算法一方面采用谱聚类,以确保高质量的聚类结果;另一方面通过希尔伯特-施密特独立性准则,以确保新的聚类结果相对于已知划分模式是无冗余的。对得到多个视角进行离群分析,从而得到更准确的离群集。具体而言,多视角聚类离群检测算法KDAC具体工作如下:1分析单视角下离群检测,重点分析单视角存在的离群信息淹没问题和对离群点解释性的问题,分析多视角在解决这些问题方面的优势。2 KDAC利用谱聚类获得高质量的聚类结果。介绍谱聚类算法,分析谱聚类优势,为多个视角的发现打下坚实基础。3引入希尔伯特-施密特独立性准则HSIC,将HSIC作为新视角发现的评价指标,确保新视角和已知的划分模式是无冗余的。4集成多个视角下的候选离群集,获得全局情况下top-n离群点。为验证HSIC算法的有效性,在多个数据集上进行实验,实验结果表明该方法能够提高离群检测效果,对单视角下漏检的离群点也有很好的发现能力。