用于集成分类器聚合的一致率初始化极大似然估计器及其在脑机接口中的应用
机器学习
2020-04-02 v1 人机交互
机器学习
摘要
集成学习是一种从多个基学习器构建强学习器的强大方法。聚合分类器集成最常用的方法是多数投票，即将样本分配给大多数基分类器投票的类别。然而，通过根据基分类器的准确率为其分配权重，可以获得更好的性能。本文提出了一种一致率初始化极大似然估计器（ARIMLE）以最优地融合基分类器。ARIMLE 首先使用简化的一致率方法从无标签样本中估计每个基分类器的分类准确率，然后利用这些准确率初始化极大似然估计器（MLE），最后使用期望最大化算法来优化 MLE。在脑机接口应用中的视觉诱发电位分类上的大量实验表明，ARIMLE 优于多数投票，并且与其他几种 SOTA 分类器组合方法相比，也取得了更好或可比的性能。
引用
@article{arxiv.1805.04740,
title = {Agreement Rate Initialized Maximum Likelihood Estimator for Ensemble Classifier Aggregation and Its Application in Brain-Computer Interface},
author = {Dongrui Wu and Vernon J. Lawhern and Stephen Gordon and Brent J. Lance and Chin-Teng Lin},
journal= {arXiv preprint arXiv:1805.04740},
year = {2020}
}