随机森林的开放集识别
机器学习
2024-08-07 v1 机器学习
摘要
在许多实际的分类或识别任务中，由于例如训练期间知识不完整或条件不断变化，收集覆盖所有可能类别的训练样本往往困难。因此，在测试/部署时可能遇到来自未知/新类别的样本。在此类情境下，分类器应能够：i) 对已知类别进行分类，同时ii) 识别来自未知类别的样本。这称为开放集识别。尽管随机森林作为通用分类（和回归）方法框架已取得极大成功，但实际中通常在闭合集假设下运行，无法即开箱即用地识别新类别的样本。本文提出了一种新方法，通过整合距离度量学习和基于距离的开放集识别，使随机森林分类器具备开放集识别能力。该方法在人工合成数据集和真实数据集上进行了验证。实验结果表明，所提出的方法优于当前基于距离的开放集识别方法。
引用
@article{arxiv.2408.02684,
title = {Open Set Recognition for Random Forest},
author = {Guanchao Feng and Dhruv Desai and Stefano Pasquali and Dhagash Mehta},
journal= {arXiv preprint arXiv:2408.02684},
year = {2024}
}