提升在线手写识别的准确率与可解释性

手写识别技术允许从给定数据中识别书写文本。识别任务可针对字母、符号或单词，输入数据可以是数字图像或由各种传感器记录。从签名验证到电子文档处理的广泛应用，都可通过实现高效准确的手写识别算法来实现。多年来，人们越来越有兴趣试验不同类型的技术来收集手写数据、创建数据集并开发识别字符与符号的算法。最近，OnHW-chars 数据集已发布，其中包含使用装有传感器的圆珠笔收集的英文字母多元时间序列数据。OnHW-chars 的作者还通过其机器学习（ML）和深度学习（DL）分类器提供了一些基线结果。在本文中，我们在 OnHW-chars 数据集上开发手写识别模型，并提升了先前模型的准确率。更具体地，我们的 ML 模型相较先前 ML 模型有 $11.3\%$-$23.56\%$ 的提升，而我们采用集成学习的优化 DL 模型相较先前 DL 模型有 $3.08\%$-$7.01\%$ 的提升。除了在上述范围内的准确率提升外，我们旨在为模型提供一定程度的可解释性，以给出所选方法背后的更多逻辑，以及为何这些模型对该数据集中的数据类型是合理的。我们的结果可通过提供的公共仓库进行验证和复现。