Multi-Classification using One-versus-One Deep Learning Strategy with Joint Probability Estimates

要約

One-versus-One (OvO) 戦略は、クラスの各ペア間でバイナリ分類器をトレーニングすることに焦点を当てた多分類モデルのアプローチです。
OvO 戦略はバランスの取れたトレーニング データを利用しますが、分類精度は通常、すべてのバイナリ分類子を結合するための投票メカニズムによって妨げられます。
この論文では、同時確率尺度を組み込んだ新しい OvO 多分類モデルを深層学習フレームワークの下で提案します。
提案されたモデルでは、ペアごとのバイナリ分類器からクラス確率を推定するために 2 段階のアルゴリズムが開発されています。
バイナリ分類器が与えられると、ペアワイズ確率推定値は、分離特徴超平面上の距離測定によって校正されます。
そこから、結合確率に基づく距離最小化問題を解くことによって、被験者のクラス確率が推定されます。
さまざまなアプリケーションでの数値実験により、提案されたモデルが他の最先端のモデルよりも一般に高い分類精度を達成することが示されています。

要約(オリジナル)

The One-versus-One (OvO) strategy is an approach of multi-classification models which focuses on training binary classifiers between each pair of classes. While the OvO strategy takes advantage of balanced training data, the classification accuracy is usually hindered by the voting mechanism to combine all binary classifiers. In this paper, a novel OvO multi-classification model incorporating a joint probability measure is proposed under the deep learning framework. In the proposed model, a two-stage algorithm is developed to estimate the class probability from the pairwise binary classifiers. Given the binary classifiers, the pairwise probability estimate is calibrated by a distance measure on the separating feature hyperplane. From that, the class probability of the subject is estimated by solving a joint probability-based distance minimization problem. Numerical experiments in different applications show that the proposed model achieves generally higher classification accuracy than other state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google