基于距离尺度学习的新类识别方法

• 作者: 李栋 殷爱茹 江皞 谢茂强 黄亚楼
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 关键词: 新类识别 距离尺度学习 自适应分类
• 年，卷（期）: 2009,（1）
• 所属期刊栏目: 论文与报告
• 页码范围: 47-52
• 页数: 6页
• 分类号: TP391.4
• 字数: 5368字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6059.2009.01.008

摘要

在在线分类任务中经常会出现新类别,导致数据分布发生显著变化,使得已有分类器不再适用.如何识别新类以使分类器能适应其出现已成为在线分类亟待解决的问题.本文提出基于距离尺度学习的识别偏离型新类的算法用于解决该问题.该方法能在缺少先验知识的前提下自动识别新类,并较好地解决了样本间类别相似性同样本间距离不一致的问题,为分类器的自适应更新提供了关键技术.在多个数据集上的实验结果表明在客观新类出现后该方法能有效发现新类,可使更新后的分类器保持较高准确度,为实现适应新类的在线分类系统奠定坚实基础.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄亚楼	南开大学软件学院	83	1759	20.0	39.0
2	李栋	南开大学信息技术科学学院	8	49	4.0	7.0
3	殷爱茹	南开大学软件学院	3	22	2.0	3.0
4	谢茂强	南开大学软件学院	7	54	4.0	7.0
5	江皞	南开大学软件学院	1	4	1.0	1.0