.png){kind=icon}
返回
Training a Hyperdimensional Computing Classifier Using a Threshold on Its Confidence
.png){kind=icon}
OA
AI
DOI：10.1162/neco_a_01618.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要
高维计算（HDC）因其轻量化和高能效的特点，在机器学习领域日益受到关注，适用于可穿戴物联网设备以及传感器附近或设备端处理。与传统的深度学习算法相比，HDC计算复杂度更低，且能够实现中等至良好的分类性能。本文提出通过考虑不仅被错误分类的样本，还包括被HDC模型正确分类但置信度较低的样本，来扩展HDC的训练过程。我们引入一个可针对每个数据集进行调整的置信度阈值，以实现最佳分类精度。所提出的训练过程在UCIHAR、CTG、ISOLET和HAND数据集上进行了测试，结果表明，相较于基线方法，在一系列置信度阈值下性能均得到一致提升。扩展后的训练过程还导致正确分类样本的置信度值向更高方向偏移，使得分类器不仅更加准确，而且对其预测结果更加自信。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息