進化的追求と顔認識への応用

進化的追求（EP）を画像エンコーディングおよび分類のための適応表現法として紹介します。投影追求に類似して、EPはデータ圧縮とパターン分類の二重目的のための最適基底を学習しようとします。これは、トレーニング中に遭遇する経験的リスクを最小化することと、テスト中に保証リスクを減少させるための信頼区間を狭める間のトレードオフを求めることによって、学習機械の一般化能力を向上させるはずです。したがって、最適基底を決定するための可能な解の空間を探索するGAに特徴的な戦略を実装します。元のデータを低次元のホワイトニング主成分分析（PCA）空間に射影します。この空間における基底ベクトルの向きのランダム回転をGAによって探索し、進化は性能精度（経験的リスク）とクラス分離（信頼区間）によって定義されたフィットネス関数によって駆動されます。精度は学習が成功した程度を示し、一方分離は期待されるフィットネスの指標を示します。この方法は貪欲探索アルゴリズムを使用して顔認識に対してテストされました。精度と一般化能力の両方を評価するために、データには各被験者の異なる時間または異なる照明条件下で取得された画像が含まれています。EPはPCA（固有顔）よりも優れた認識性能を持ち、フィッシャー線形判別（フィッシャーフェイス）よりも優れた一般化能力を持っています。