55、生成嵌入的信息理论核与两类分类器的动态线性组合

生成嵌入的信息理论核与两类分类器的动态线性组合

1. 研究背景与动机

在许多实际应用中，如异常检测、生物特征认证等，需要设计能够区分正类和负类的分类器。通常通过测量样本与正类的相似度，当相似度得分高于预设阈值时将样本分类为正类。这类分类器的性能评估方式包括在特定阈值下的误分类误差权衡，或使用如ROC曲线下面积（AUC）等与阈值无关的指标。然而，在安全应用中，通常只在对应极低错误率的有限阈值范围内评估性能，而单个分类器很难满足这些要求。

为了提高整体性能，基于分类器集成的方法被广泛应用。一方面，选择“最佳”分类器并非易事，且高度依赖于排名标准；另一方面，使用分类器集成可以利用各个成员所包含的互补判别信息。当分类器产生相似度得分时，通常在得分层面通过某种“融合”规则（如线性组合）生成新的得分。目前，大多数文献中的解决方案采用“静态”方法，即组合规则的参数不依赖于待分类样本。但如果组合规则使用特定于样本的参数，有望进一步提高性能。

2. 生成嵌入与信息理论核的结合

研究探索了几种基于隐马尔可夫模型（HMM）的生成嵌入与最近引入的非广延信息理论核的组合。通过对形状轮廓曲率序列进行HMM建模获得生成嵌入，并在基于支持向量机（SVM）的二维形状分类中对这些组合进行了测试。在基准数据集上的实验表明，由此得到的分类器与当前最先进的方法具有竞争力。

3. 得分可判定性指数（SDI）

• 定义与计算
  • 考虑一个两类问题，正类为 $\omega+$，负类为 $\omega-$。对于待分类的每个模式 $x_i$，两类分类器 $C_k$ 通常会产生一个输出得分