一种新的基于多样性赋权证据推理的集成学习方法

作者：汤凯; 李康乐; 孙国文; 李红宇; 张昳哲; 贺维

来源：计算机应用研究, 2023, 40(04): 1012-1018.

DOI：10.19734/j.issn.1001-3695.2022.08.0429

• 集成学习
• 深度学习
• 证据推理理论
• 多样性

在集成学习中使用平均法、投票法作为结合策略无法充分利用基分类器的有效信息，且根据波动性设置基分类器的权重不精确、不恰当。以上问题会降低集成学习的效果，为了进一步提高集成学习的性能，提出将证据推理(evidence reasoning, ER)规则作为结合策略，并使用多样性赋权法设置基分类器的权重。首先，由多个深度学习模型作为基分类器、ER规则作为结合策略，构建集成学习的基本结构；然后，通过多样性度量方法计算每个基分类器相对于其他基分类器的差异性；最后，将差异性归一化实现基分类器的权重设置。通过多个图像数据集的分类实验，结果表明提出的方法较实验选取的其他方法准确率更高且更稳定，证明了该方法可以充分利用基分类器的有效信息，且多样性赋权法更精确。

• 单位
  哈尔滨师范大学; 哈尔滨金融学院; 中国人民解放军火箭军工程大学