-
题名基于知识线记忆的多分类器集成算法
被引量：5
- 1
-
-
作者
于思皓
郭嘉丰
范意兴
兰艳艳
程学旗
-
机构
中国科学院计算技术研究所网络数据科学与技术重点实验室
中国科学院大学
烟台中科网络技术研究所
-
出处
《计算机学报》
EI
CSCD
北大核心
2021年第3期462-475,共14页
-
基金
国家自然科学基金项目(61722211,61872338,61902381)
北京智源人工智能研究院(BAAI2019ZD0306)
+5 种基金
中国科学院青年创新促进会(20144310)
国家重点研发计划(2016QY02D0405)
联想-中科院联合实验室青年科学家项目
王宽诚教育基金会
重庆市基础科学与前沿技术研究专项项目(重点)(cstc2017jcjyBX0059)
泰山学者工程专项经费(ts201511082)资助。
-
文摘
多分类器系统作为混合智能系统的分支,集成了具有多样性的分类器集合,使整体得到更优的分类性能.结果融合是该领域中的一个重要问题,在相同分类器成员下,好的融合策略可以有效提升系统整体的分类正确率.随着模型安全性得到重视,传统融合策略可解释性差的问题凸显.本文基于心理学中的知识线记忆理论进行建模,参考人类决策过程,提出了一种拥有较好可解释性的启发式多分类器集成算法,称为知识线集成算法.该算法模拟人类学习与推断的行为,组织多分类器结果的融合.在训练中,模型收集给定分类器集合的不同子集,构建不同特征空间到解空间的映射,构成知识线.在推断时,模型启发式地激活知识线,进行选择性结果集成,得到推断结果.知识线集成使用样本驱动的模式,易于进行中间过程与最终结果的分析.以决策树作为分类器的实验表明,在相同的决策树集合下,知识线集成算法分类正确率与随机森林相仿.在此基础之上,知识线集成算法可量化问题不同粒度下的难易程度,且在推断时能提供相关训练样本作为依据.
-
关键词
多分类器
知识线记忆理论
启发式
样本驱动
可解释性
-
Keywords
multi-classifier
knowledge-line memory theory
heuristics
sample driven
interpretability
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
