无混淆超保守多类算法

我们解决了在多类设置中从噪声数据集学习线性分类器的问题。该问题的二类版本已在几年前由 Bylander (1994) 和 Blum 等人 (1996) 等人研究过：在这些贡献中，提出的抗噪方法围绕着一个 Perceptron 学习方案展开，该方案输入的是通过对噪声训练集中的点进行加权平均计算出的特殊样本。我们建议在这些方法的基础上进行构建，并提出了一种名为 UMA（无混淆多类加法算法）的新算法，该算法可视为先前方法在多类设置下的推广。为了表征噪声，我们使用混淆矩阵作为上述文献中研究的分类噪声的多类扩展。UMA 不仅具有坚实的理论基础，而且表现出非常好的实证噪声鲁棒性，这一点在对合成数据和真实数据进行的数值模拟中得到了证实。