基于最小最大模块化分类器的自重组学习算法
最小最大模块化分类器是一种具有弹性的任务分解和简单的结果合成的组合分类器框架.已有研究表明,最小最大模块化分类器任务分解的一种有效策略是使用聚类或者逆向聚类方法.但是聚类算法依赖于初始分解,同时难以保证生成模块的均衡性.基于最小最大模块化分类器的任务分解策略,提出使用对称选择算法来替代原有的最小最大组合过程,在此基础上,进一步提出了一种自重组学习算法,能够在并行或者模块化处理模式下同步完成训练集较为优化的划分和训练过程.所提方法继承了传统的最小最大模块化分解的弹性分解特性,易于实现灵活分解和平衡化的学习.同时,和传统的分布式分类方法相比较,提出的方法具有良好的并行处理特性和更高的测试性能.此外,该方法与基分类器算法无关,可以适用于多种分类算法的分布式实现.实验结果验证了所提算法的有效性。
组合分类器 自重组学习算法 对称选择组合 最小最大模块化分类器 任务分解 聚类
赵海 吕宝粮
上海交通大学计算机科学与工程系,上海,200030
国内会议
北京
中文
243-247
2005-09-23（万方平台首次上网日期，不代表论文的发表时间）