新颖性检测的增量核零空间判别分析

旨在确定给定数据是否属于任何类别的训练数据的新颖性检测在模式识别,机器学习等领域被认为是一个重要且具有挑战性的问题。最近,内核零空间方法(KNDA)据报道在新颖性检测方面具有最先进的性能。 但是,KNDA之所以能够进行大规模扩展,是因为其计算成本很高。 随着数据量的不断增长,加快和加快KNDA的实施速度是非常重要的。 此外,当存在连续注入的数据时,它变得无能为力。 为了解决这些问题,我们提出了基于增量空核空间的判别分析(IKNDA)算法。 关键字思想可以提取新添加的样本带来的新信息,并通过有效的更新方案将其与现有模型集成。 在两个可公开获得的数据集上进行的实验表明,所提出的IKNDA的性能与批处理KNDA相当,但显着降低了计算复杂性,而我们基于IKNDA的新颖性检测方法使用深度神经网络(DNN)分类器的性能明显优于传统方法。 这证明了我们的IKNDA在针对大规模数据进行新颖性检测方面相对于最新技术的优越性。