基于矩阵模式的三重结构化分类器设计

传统的矢量化分类器应该包含类结构信息，但会忽略单个模式的单个结构。 相比之下，矩阵化分类器应该同时考虑类和单个结构，因此比矢量化分类器具有更好的性能。 在本文中，我们探索了一种中间粒度，称为类与个体之间的簇，并将簇的结构（即每个类内的结构）引入矩阵化的分类器设计中。 这样做可以从全局到点同时使用类，群集和单个结构。 因此，本文提出的分类器设计具有三层结构信息，可以使分类性能提高。 在实践中，我们采用Ho-Kashyap算法的修改，以误分类误差（MHKS）的平方近似为学习范式，并开发了三重结构的MHKS，称为TSMHKS。 三重结构学习框架的优点是考虑了样本之间的不同接近度，从而提高了性能。 实验结果证明了TSMHKS的可行性和有效性。 此外，我们讨论了该算法的理论和实验推广范围。