面向开放集识别的集体决策方法
机器学习
2020-03-24 v5 机器学习
摘要
在开放集识别（OSR）中，几乎所有现有方法都专为识别单个实例而设计，即便这些实例是以批量形式集体到来的。识别器在决策时要么拒绝它们，要么使用经验设定的阈值将其归类至某个已知类。因此决策阈值起着关键作用。然而，其选择通常依赖于已知类的知识，因缺乏来自未知类的可用信息而不可避免地带来风险。另一方面，更现实的 OSR 系统不应仅停留在拒绝决策，而应更进一步，尤其用于在拒绝实例中发现隐藏的未知类，而现有 OSR 方法并未给予特别关注。本文中，我们引入一种新颖的集体/批量决策策略，旨在扩展现有 OSR 以进行新类发现，同时考虑测试实例间的相关性。具体地，通过对层次狄利克雷过程（HDP）稍作修改，提出了一种基于集体决策的 OSR 框架（CD-OSR）。得益于 HDP，我们的 CD-OSR 无需定义决策阈值，且可同时实现开放集识别与新类发现。最后，在基准数据集上的大量实验表明了 CD-OSR 的有效性。
引用
@article{arxiv.1806.11258,
title = {Collective decision for open set recognition},
author = {Chuanxing Geng and Songcan Chen},
journal= {arXiv preprint arXiv:1806.11258},
year = {2020}
}
备注
Accepted by IEEE TKDE. Previous title was "Hierarchical Dirichlet Process-based Open Set Recognition"