구조적 최소 최대 확률 기계

최소 최대 확률 기계(MPM)는 생성적 사전 지식에 기반한 흥미로운 판별 분류기입니다. 이는 최대 오분류 확률을 최소화함으로써 확률적 정확도 경계를 직접 추정할 수 있습니다. 데이터의 구조적 정보는 사전 지식을 나타내는 효과적인 방법이며, 실제 문제에서 분류기를 설계하는 데 필수적임이 밝혀졌습니다. 그러나 MPM은 주어진 평균과 공분산 행렬을 가진 각 클래스의 사전 확률 분포만을 고려하여 데이터의 구조적 정보를 효율적으로 활용하지 않습니다. 본 논문에서는 이진 분류에서 데이터의 구조적 정보를 캡처하기 위해 두 개의 유한 혼합 모델을 사용합니다. 유한 혼합 모델의 각 서브 분포에 대해서는 오직 그 평균과 공분산 행렬만이 알려져 있다고 가정합니다. 유한 혼합 모델을 기반으로, 우리는 구조적 MPM(SMPM)을 제안합니다. SMPM은 이차 원뿔 프로그래밍 문제의 일련의 순서를 통해 효과적으로 해결될 수 있습니다. 또한, 우리는 커널화 기법을 활용하여 SMPM의 선형 모델을 비선형 모델로 확장합니다. 우리는 또한 SMPM이 대형 마진 분류기로 해석될 수 있으며, 특정 특별한 조건 하에서 서포트 벡터 머신 및 최대 최소 마진 기계로 변환될 수 있음을 보여줍니다. 합성 및 실제 데이터 세트에 대한 실험 결과는 SMPM의 효과를 입증합니다.