ブースティングのための構成特徴のマイニング

弱い分類器の選択は、ブースティング技術の成功にとって重要です。性能が劣る弱い分類器は、ランダムな推測よりも良い結果を出さないため、ブースティングプロセス中の訓練誤差を減少させるのに役立ちません。したがって、弱い分類器プールを構築する際には、数量よりも質を重視します。本稿では、与えられたおそらく少ない特徴プールから構成特徴を発見するためのデータマイニング駆動のアプローチを提案します。限られた識別能力を持つ個別の特徴（例えば、弱い決定スタンプ）と比較して、マイニングされた構成特徴は、記述能力と識別能力において保証された力を持ち、訓練誤差も制約されます。構成特徴を発見するための組合せコストに対処するために、データマイニング手法（頻出アイテムセットマイニング）を適用し、どのような順序の優れた構成特徴を効率的に見つけます。これらの弱い分類器は、最終的な多クラス分類のためにマルチクラスAdaBoost法によってさらに組み合わされます。挑戦的な10クラスのイベント認識問題に関する実験は、構成特徴をブースティングすることで、訓練誤差の迅速な減少と従来の決定スタンプに比べて著しく高い精度を達成できることを示しています。