用于非直推式学习的分类器与聚类集成的概率组合
机器学习
2015-03-13 v1 机器学习
摘要
无监督模型可以提供补充的软约束，以在假设目标集中相似对象更可能共享同类标签的情况下帮助分类新的目标数据。此类模型还有助于检测训练分布与目标分布之间可能存在的差异，这在可能发生概念漂移的应用中非常有用。本文描述了一个贝叶斯框架，该框架以现有分类器（基于源域标记数据设计）的类标签以及仅在待分类目标数据上运行的聚类集成的聚类标签作为输入，并生成目标数据的一致性标签。当目标数据的统计特性相对于训练数据发生漂移或变化时，该框架尤为有用。我们还表明，所提出的框架具有隐私感知能力，并允许在数据/模型存在共享限制的情况下进行分布式学习。实验表明，我们的框架能够产生优于仅应用分类器集成的结果。
引用
@article{arxiv.1211.2304,
title = {Probabilistic Combination of Classifier and Cluster Ensembles for Non-transductive Learning},
author = {Ayan Acharya and Eduardo R. Hruschka and Joydeep Ghosh and Badrul Sarwar and Jean-David Ruvini},
journal= {arXiv preprint arXiv:1211.2304},
year = {2015}
}