54、音乐分类与二维形状识别中的特征组合与核方法

音乐分类与二维形状识别中的特征组合与核方法

在机器学习领域，分类问题一直是研究的热点，尤其是在音乐分类和二维形状识别方面。不同的特征和方法被不断探索和应用，以提高分类的准确性和效率。

音乐分类中的特征组合

在音乐分类问题上，研究发现使用不同层次的多个特征可以显著提高分类性能，而不依赖于具体的组合方案。通过对各个特征的平均排名进行排序，发现节拍是最弱的单个特征，通常最先被淘汰；而和弦是最强的特征，往往最后保留。这表明在音乐分类中，和弦是最适合用于音乐流派分类的单个特征，而堆叠泛化则是多特征组合的最优方案。

二维形状识别中的生成嵌入与信息理论核

在二维形状识别领域，传统的分类器学习方法主要分为生成式和判别式两种范式。生成式方法基于概率类模型和先验类概率，通过贝叶斯定律得到后验概率；判别式方法则直接从数据中学习类边界或后验类概率，不依赖于生成式类模型。

在生成式方法中，隐马尔可夫模型（HMMs）被广泛应用于数据序列的建模。然而，由于缺乏先验知识或训练数据不足等原因，生成式方法可能会产生较差的结果。为了解决这个问题，研究人员提出了多种方法来丰富生成式范式，例如通过最大互信息（MMI）或最小贝叶斯风险（MBR）准则对HMM进行判别式训练，或者将HMM推广到概率判别式模型，如条件随机场（CRFs）。

生成嵌入方法是另一种探索的途径，其基本思想是使用HMM或其他生成式模型将待分类的对象映射到一个特征空间，在这个空间中可以使用判别式技术，可能是基于核的方法。生成嵌入通常涉及两个步骤：一是定义和学习用于构建嵌入的生成式模型；二是在采用的特征空间上判别式地学习一个（可能是核的）分类器。以往的文献主要关注第一步，而在第二步通常采用一些标准