渐近最优性之路：用于早期分类的密度比序贯无监督回归
机器学习
2023-02-21 v1
摘要
本文提出理论启发的序贯密度比估计（SDRE）算法，用于时间序列的早期分类。传统 SDRE 算法因内部过归一化问题而无法精确估计密度比（DR），阻碍基于 DR 的序贯算法——序贯概率比检验（SPRT）——达到其渐近贝叶斯最优性。我们设计了两种基于 SPRT 的新算法 B2Bsqrt-TANDEM 与 TANDEMformer，以避免过归一化问题，从而实现 SDR 的精确无监督回归。这两种算法分别在人工序贯高斯数据集与真实数据集（SiW、UCF101 与 HMDB51）上统计显著地降低了 DR 估计误差与分类误差。代码见：https://github.com/Akinori-F-Ebihara/LLR_saturation_problem。
引用
@article{arxiv.2302.09810,
title = {Toward Asymptotic Optimality: Sequential Unsupervised Regression of Density Ratio for Early Classification},
author = {Akinori F. Ebihara and Taiki Miyagawa and Kazuyuki Sakurai and Hitoshi Imaoka},
journal= {arXiv preprint arXiv:2302.09810},
year = {2023}
}
备注
Accepted to IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2023