能够识别多少张面孔？多类分类的性能外推

多类分类的难度通常随着类别数量的增加而增加。利用部分类别的数据，我们能否预测分类器在类别数量增加时的扩展表现？在类别可交换采样的假设下，以及在分类器为生成式的假设下（例如 QDA 或 Naive Bayes），我们表明，当分类器在 $k$ 个类别上训练时的期望准确率是 \emph{条件准确率分布} 的第 $k-1$ 阶矩，该分布可以从数据中估计。这为基于伪似然、无偏估计和高维渐近的性能外推提供了理论基础。我们在模拟和一个光学字符识别实例中研究了我们的方法对非生成式分类器的鲁棒性。