Semi-überwachtes Lernen von Klassifikatoren: Theorie, Algorithmen und deren Anwendung in der Mensch-Computer-Interaktion

Die automatische Klassifikation ist eine der grundlegenden Aufgaben, die in jeder Anwendung der Mustererkennung und der Mensch-Computer-Interaktion erforderlich sind. In diesem Papier diskutieren wir das Training probabilistischer Klassifikatoren mit beschrifteten und unbeschrifteten Daten. Wir bieten eine neue Analyse an, die zeigt, unter welchen Bedingungen unbeschriftete Daten bei der Lernverbesserung der Klassifikationsleistung eingesetzt werden können. Wir zeigen auch, dass die Verwendung unbeschrifteter Daten, wenn die Bedingungen verletzt werden, nachteilig für die Klassifikationsleistung sein kann. Wir diskutieren die Implikationen dieser Analyse für eine spezifische Art probabilistischer Klassifikatoren, Bayesianische Netze, und schlagen einen neuen Struktur-Lernalgorithmus vor, der unbeschriftete Daten nutzen kann, um die Klassifikation zu verbessern. Schließlich zeigen wir, wie die resultierenden Algorithmen erfolgreich in zwei Anwendungen der Mensch-Computer-Interaktion und der Mustererkennung eingesetzt werden: bei der Gesichtsausdruckserkennung und der Gesichtserkennung.