基于增广特征的安全分类
机器学习
2017-11-02 v1
摘要
随着数据收集方式的演进,产生由多个特征集描述的丰富数据成为可能。先前研究表明,纳入更多特征未必带来正向效果。如何防止增广特征恶化分类性能至关重要却鲜有研究。本文通过提出一种安全分类方法来研究这一挑战性问题,该方法在利用增广特征时精度绝不退化。我们提出两种方式实现名为安全分类(SEC)的方法的安全性。首先,为利用增广特征,我们学习多种类型的分类器,并通过专门设计的鲁棒损失对其进行适配,从而为安全操作的下述假设提供多种候选分类器。其次,我们通过近似最大化性能提升来集成所有候选分类器。在温和假设下,集成分类器具有理论安全性保证。我们发展了若干新的优化方法以适配相应问题,并证明了收敛性。除在 16 个数据集上评估 SEC 外,我们还将其应用于精神分裂症的诊断分类,因其具有广阔应用潜力。实验结果证明了 SEC 在解决安全性问题及区分精神分裂症患者与健康对照方面的有效性。
引用
@article{arxiv.1711.00239,
title = {Secure Classification With Augmented Features},
author = {Chenping Hou and Ling-Li Zeng and Dewen Hu},
journal= {arXiv preprint arXiv:1711.00239},
year = {2017}
}