基于分层图模型的边际与同时预测分类

一个归纳概率分类规则通常必须遵循贝叶斯预测推断的原则，即对所有观测和未观测的随机量进行联合建模，并通过后验预测分布充分承认参数不确定性。最近已经考虑了若干此类规则，并在假设用于构建分类器的观测特征或变量在同时标记训练样本和来自未知起源的样本的条件下条件独立的情况下，对其渐近行为进行了刻画。这里我们将理论结果扩展到通过图模型或更稀疏的替代方案（即分层图模型）来承认特征依赖的预测分类器。我们还通过合成数据和真实数据的实验表明，基于分层图模型的预测分类器与基于条件独立特征或普通图模型的预测分类器相比，始终具有最佳的准确率。