异常检测是一个长期活跃的研究领域，在金融、安全和制造等诸多领域有着广泛的应用。然而，在大数据时代，大规模、高维度和异构数据普遍存在，这对异常检测算法的效率和性能提出了挑战。基于孤立机制的无监督异常检测(Isolation-based unsupervised anomaly detection)是一种新颖且有效的数据异常识别方法。其核心思想是异常点数量少且与正常实例不同，因此可以通过随机划分被轻易地"孤立"出来。与现有方法相比，基于孤立机制的方法具有若干优势，例如计算复杂度低、内存占用少、可扩展性高、对噪声和不相关特征鲁棒，并且无需先验知识或繁重的参数调优。来自大湾区大学、清华大学、澳大利亚迪肯大学、南京信息工程大学及南京大学的研究者们综述回顾了最先进的基于孤立机制的异常检测方法，包括其数据划分策略、异常评分函数和算法细节。文章还讨论了基于孤立机制的方法在不同场景下的扩展与应用，例如在流数据、时间序列、轨迹和图像数据集中检测异常。最后，本文指出了基于孤立机制的异常检测研究面临的一些开放性挑战和未来方向。文章已发表于《机器智能研究（英文）》2025年第5期，全文开放获取。http://t.cn/AXAvCskh #人工智能[超话]##机器学习[超话]##异常检测#