Ez a cikk egy kiugró értékek észlelését és félig felügyelt klaszterezési algoritmust javasol, amely a legközelebbi szomszéd hasonlóságán alapul. A fa algoritmus a C-Kmeans algoritmust használja az adathalmaz betanítására, amellyel ésszerű és pontos adatmegosztást kaphat a legközelebbi szomszéd halmaz, és a kapott eredmények alapján gyorsan és pontosan detektálható a globális kiugró értékek, ami szintén jelentős hatással van a lokális kiugró értékekre. [28][29]Az algoritmus hatékonyan elkerüli a zajpontok elégtelen előfeldolgozását és a pontatlan bemeneti paraméterek hatását az eredményekre. Ezenkívül megoldja a nagy számítások, például a Jarvis-Patrick algoritmus problémáját. A félig felügyelt klaszterezés során a megszerzett páros előzetes tudást bővítik, hogy maximalizálják az előzetes tudás irányító hatását. [30]Az algoritmus észleli a kiugró értékeket, és hatékonyan elkerüli a paraméterektől való függőséget, és kiküszöböli a kiugró értékek klaszterezésre gyakorolt hatását. Az algoritmus a korábbi ismereteket egyesíti és kibővíti, így a klaszterezési folyamat „követendő szabályokká” válik. Valós adathalmazokon végzett kísérletek azt mutatják, hogy a kiugró értékek észlelésének algoritmusa félig felügyelt klaszterezéssel kombinálva eredményezi a legjobb klaszterezési eredményeket. Továbbá a kísérlet során kiderül, hogy a kiugró értékek észlelésen alapuló SCA-SNN algoritmusnak van a legjobb kísérleti hatása az adatkészletre kiugró értékek nélkül. Ez a megközelítés azt mutatja, hogy a kiugró értékek észlelése kulcsfontosságú, és teljes mértékben érvényesíti a klasztert