ترجمه فارسی مقاله تشخیص مجموعه باز برای جنگل تصادفی

چکیده

In many real-world classification or recognition tasks, it is often difficult to collect training examples that exhaust all possible classes due to, for example, incomplete knowledge during training or ever changing regimes. Therefore, samples from unknown/novel classes may be encountered in testing/deployment. In such scenarios, the classifiers should be able to i) perform classification on known classes, and at the same time, ii) identify samples from unknown classes. This is known as open-set recognition. Although random forest has been an extremely successful framework as a general-purpose classification (and regression) method, in practice, it usually operates under the closed-set assumption and is not able to identify samples from new classes when run out of the box. In this work, we propose a novel approach to enabling open-set recognition capability for random forest classifiers by incorporating distance metric learning and distance-based open-set recognition. The proposed method is validated on both synthetic and real-world datasets. The experimental results indicate that the proposed approach outperforms state-of-the-art distance-based open-set recognition methods.

چکیده به فارسی (ترجمه ماشینی)

در بسیاری از وظایف طبقه بندی یا شناخت در دنیای واقعی ، جمع آوری نمونه هایی از آموزش که به دلیل مثال ، دانش ناقص در طول آموزش یا همیشه در حال تغییر رژیم ها ، همه کلاس های ممکن را خسته می کند ، دشوار است.بنابراین ، نمونه های کلاس های ناشناخته/جدید ممکن است در آزمایش/استقرار روبرو شوند.در چنین سناریوهایی ، طبقه بندی کننده ها باید بتوانند من طبقه بندی را در کلاسهای شناخته شده انجام دهند ، و در عین حال ، ب) نمونه ها را از کلاس های ناشناخته شناسایی کنند.این به عنوان شناخت مجموعه باز شناخته می شود.اگرچه Forest Random یک چارچوب بسیار موفق به عنوان یک روش طبقه بندی (و رگرسیون) با هدف کلی بوده است ، اما در عمل معمولاً تحت فرض مجموعه بسته عمل می کند و در هنگام خارج شدن از جعبه قادر به شناسایی نمونه ها از کلاس های جدید نیست.در این کار ، ما یک رویکرد جدید برای فعال کردن قابلیت تشخیص مجموعه باز برای طبقه بندی کننده های جنگلی تصادفی با ترکیب یادگیری متریک از راه دور و شناخت باز مبتنی بر فاصله ارائه می دهیم.روش پیشنهادی در هر دو مجموعه داده مصنوعی و در دنیای واقعی تأیید شده است.نتایج تجربی نشان می دهد که رویکرد پیشنهادی از روشهای تشخیص باز از راه دور مبتنی بر راه دور است.