最大化约束密度单类分类器

• 作者: 冯爱民 潘志松 赵加敏 陈松灿
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 单类分类器 概率密度估计 最大化约束密度 先验信息
• 年，卷（期）: 2014,（2）
• 所属期刊栏目: CCML 2013
• 页码范围: 59-63
• 页数: 5页
• 分类号: TP391.4
• 字数: 4997字
• 语种: 中文

摘要

针对单类分类器设计中的密度方法,采用以任务为导向的设计思想,通过人为指定核密度估计的密度函数上界,增强了边界低密度区域数据敏感性,同时也有效降低了密度估计的计算复杂度.进一步最大化全体样本的核密度估计函数并采用线性规划,可快速得到相应的稀疏解,因而称之为最大化约束密度单类分类器(Maximum constrained density based one-class classifier,MCDOCC).为充分利用单类数据中可能出现的极少量异常数据,进一步提出了带负类的最大化约束密度分类器(MCDOCC with negative data,NMCDOCC),通过挖掘异常数据的先验信息来修正仅有正常类的数据描述边界,可提高分类器泛化能力.UCI数据集上的实验结果表明,MCDOCC的泛化能力与单类支持向量机相当,NMCDCOCC较之则有所提高,从而能够更高效地估计目标类数据概率密度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘志松	解放军理工大学指挥自动化学院	47	385	9.0	17.0
2	陈松灿	南京航空航天大学计算机科学与技术学院	120	1370	19.0	32.0
6	冯爱民	南京航空航天大学计算机科学与技术学院	19	158	7.0	12.0
7	赵加敏	南京航空航天大学计算机科学与技术学院	2	6	2.0	2.0