条件独立数据的模式识别

在本工作中，我们考虑放宽模式识别（或分类）中 i.i.d 假设的任务，以便将现有学习算法应用于更广泛的任务范围。模式识别是根据给定的示例集合（对象与标签的配对）来推断某对象的离散标签。我们考虑确定性定义标签的情况。传统上，该任务是在示例独立且相同分布的假设下进行研究的。然而，结果表明许多模式识别理论结果可以推广到较弱的假设下。即在对象的条件独立且相同分布的假设下，而标签分布的唯一假设是每个标签的出现频率应高于某个正阈值。我们发现了一类广泛的学习算法，其在经典 i.i.d. 假设下实现的分类错误概率估计可以推广到条件 i.i.d. 示例的类似估计。