11、多分类器系统在对抗学习中的应用与SOCIAL算法研究

多分类器系统在对抗学习中的应用与SOCIAL算法研究

在模式识别领域，对抗环境下的分类问题一直是研究的热点和难点。在这样的环境中，对手会有意识地采取行动，限制或阻止准确的识别性能，例如恶意更改训练数据的标签。本文将深入探讨多分类器系统（MCS）在对抗学习中的应用，以及一种名为SOCIAL的算法如何解决训练数据标签损坏的问题。

1. SpamAssassin过滤器实验与MCS的鲁棒性

在垃圾邮件过滤任务中，研究人员使用SpamAssassin过滤器作为线性分类器进行了实验。基于之前的实验结果，他们考虑了由10个基分类器组成的集成，以及随机子空间法（RSM）中占整个特征集80%的特征子集。同时，还比较了SpamAssassin作为单一分类器时，使用默认权重值和统一权重值（+1表示与垃圾邮件特征相关， -1表示其他）的情况。

实验结果表明，使用统一权重的SpamAssassin具有最高的鲁棒性，但在无攻击的原始测试集上表现最差，因为它没有利用特征的判别能力信息。而逻辑回归（LR）和支持向量机（SVM）分类器得到的权重在无攻击时（m = 0）略优于SpamAssassin的默认权重，但在受到攻击时（m > 0），默认权重表现出更高的鲁棒性。这说明SpamAssassin开发者手动设置的默认权重确实能够提高其在攻击下的鲁棒性。

此外，实验还发现，多分类器系统（MCS）在分类器未受攻击时并不能提高分类准确率，但在受到攻击时，除了以SVM为基分类器的装袋法（Bagging）外，其他MCS方法都能提高鲁棒性。有趣的是，SpamAssassin的默认权重比装袋法、RSM和单一分类器都表现出更高的鲁棒性。

<