近日，山西大學(xué)智能信息處理研究所研究團(tuán)隊在貝葉斯誤差率估計的理論與方法研究方面取得了重要進(jìn)展，相關(guān)成果以“Evaluating Classification Model Against BayesError Rate”為題發(fā)表在人工智能領(lǐng)域國際頂級期刊《IEEE Transactions on Pattern Analysis andMachine Intelligence》（簡稱TPAMI，影響因子：24.314）。該論文第一作者為2019級博士生陳慶強(qiáng)，通訊作者為曹付元教授和梁吉業(yè)教授，合作者為2019級博士生邢穎。 IG^@VQ%  
4EB\R"rWXf  
如何精準(zhǔn)估計貝葉斯誤差率是機(jī)器學(xué)習(xí)中的一個研究難題。貝葉斯誤差率是分類器所能達(dá)到的最低誤差率，可為模型性能提升提供理論上的參照標(biāo)準(zhǔn)。近年來，基于散度估計貝葉斯誤差率的方法受到了較多的關(guān)注，但這些方法只能提供貝葉斯誤差率的上下界，并不能為模型性能提升提供精準(zhǔn)的參照。 :Jd7q.  
Ew8@{X y  
針對貝葉斯誤差率不可精準(zhǔn)計算面臨的挑戰(zhàn)，該研究提出了一種基于貝葉斯決策理論和滲透理論的貝葉斯誤差率計算方法。具體地，基于貝葉斯決策理論，證明了貝葉斯誤差率與貝葉斯分類器誤分類樣本占所有樣本的比例具有統(tǒng)計一致性。 uFkl^2  
cn'>dz3v  
基于隨機(jī)環(huán)境中聚簇現(xiàn)象理論（滲透理論），建立了誤分樣本與聚簇大小的關(guān)系。基于標(biāo)簽傳播算法和聚簇構(gòu)建算法，提出了可直接估計貝葉斯誤差率的方法。研究成果突破了基于散度估計貝葉斯誤差率上下界的傳統(tǒng)思維，為精準(zhǔn)的貝葉斯誤差率估計提供了有效的計算方法。 v] m/$X2  
{;yO3];Hqw  
在合成數(shù)據(jù)集和真實數(shù)據(jù)集上的對比實驗驗證了所提方法（BN-BER）的有效性。除模型評估外，BN-BER還可以用于刻畫神經(jīng)網(wǎng)絡(luò)的表達(dá)能力，對確定神經(jīng)網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)具有重要的指導(dǎo)意義。 xTHD_?d  
\nl(tU#j  
該研究工作得到計算智能與中文信息處理教育部重點(diǎn)實驗室、科技創(chuàng)新2030-“新一代人工智能”重大項目、國家自然科學(xué)基金面上項目的支持。