Delta 散度：一种决策感知的分类器不一致性新度量
机器学习
2016-07-05 v2 信息论
math.IT
机器学习
摘要
在模式识别中，两个分类器关于某观测类别归属的分歧可指示异常及其细微差别。由于分类器通常基于类后验概率做决策，检测分类器不一致性最自然的方法是使用散度。然而，现有散度并不特别适合衡量分类器不一致性。本文中，我们假定散度度量应满足的性质，并提出一种称为 Delta 散度的新散度度量。与现有度量不同，它是决策感知的。Delta 散度聚焦于主导假设具有减少杂乱的性质，其重要性随类别数量增加而增长。所提度量满足其他重要性质，如对称性和独立于分类器置信度。实验展示了所提散度与一些基线度量的关系，显示了其优越性。
引用
@article{arxiv.1604.04451,
title = {Delta divergence: A novel decision cognizant measure of classifier incongruence},
author = {Josef Kittler and Cemre Zor},
journal= {arXiv preprint arXiv:1604.04451},
year = {2016}
}
备注
12 pages, 12 figures