面向多类数据描述的不确定性量化
机器学习
2021-08-31 v1
摘要
本稿件中，我们提出一种基于核 Mahalanobis 距离（MDD-KM）且具有自适应超参数设置的多类数据描述模型。MDD-KM 提供不确定性量化，可部署于构建分类系统，以应对测试数据中存在分布外（OOD）样本的真实场景。给定测试信号，计算该信号与各训练类之间对应于经验核 Mahalanobis 距离的量。由于这些量对应同一再生核 Hilbert 空间，它们具有可比性，因此无需进一步使用融合技术即可直接作为分类分数。为设置核参数，我们利用如下事实：当使用中心化核时，依据高斯过程（GP）的预测方差即为经验核 Mahalanobis 距离，并提议使用 GP 的负似然函数作为代价函数。我们在鸟类鸣叫分类这一实际问题上开展实验。我们报告了一个以分层线性动力系统为基础、以 MDD-KM 为组件的原型分类系统。我们的分类系统无需将声音事件检测作为预处理步骤，并能在测试音频片段的 OOD 样本（对应不感兴趣未知鸣叫）中找出长度各异的训练鸟类鸣叫实例。领域知识被用于从原始分类分数作出明确判定。我们展示了 MDD-KM 相对于可能性 K 近邻的优越性能。
引用
@article{arxiv.2108.12857,
title = {Uncertainty quantification for multiclass data description},
author = {Leila Kalantari and Jose Principe and Kathryn E. Sieving},
journal= {arXiv preprint arXiv:2108.12857},
year = {2021}
}