On comparative efficiency of classification schemes in an ensemble of data sources using average mutual information

Исследуется точность многоклассовой классификации наборов объектов от ансамбля источников при различных схемах комплексирования данных. Предлагается новый подход к сравнению нижних границ вероятности ошибки для двух схем классификации с использованием средней взаимной информации между данными источников и множеством классов. Рассмотрена схема WMV (Weighted Majority Vote) на основе композиции решений по объектам источников и схема GDM (General Dissimilarity Measure) на основе композиции метрик на множествах объектов источников. Для исследуемых схем получены оценки усредненных значений средней взаимной информации на один источник. Доказано, что указанная характеристика схемы WMV не превосходит аналогичной характеристики схемы GDM, при этом нижняя граница вероятности ошибки в схеме WMV превосходит нижнюю границу вероятности ошибки в схеме GDM. Полученный теоретический результат подтвержден экспериментальными оценками вероятности ошибки распознавания цветных HSI изображений лиц для двух схем комплексирования данных от источников H, S и I.