Снижение размеров достаточной для обучения выборки за счет симметризации корреляционных связей биометрических данных

Abstract

Показано, что на малых тестовых выборках коэффициенты корреляции биометрических данных имеют значительную погрешность. Это препятствует их использованию при обучении (настройке) классических квадратичных форм и сетей Байеса. Предложено использовать способ симметризации корреляционных связей. Доказано, что в этом случае требования к объему биометрических данных существенно снижаются. Как следствие, настройка (обучение) квадратичных форм и настройка сетей наибольшего правдоподобия Байеса становятся гораздо более устойчивыми задачами. Последнее эквивалентно многократному снижению требований к размерам обучающей выборки примеров биометрического образа «свой».

Показано, що на малих тестових вибірках коефіцієнти кореляції біометричних даних мають значну похибку, що не дозволяє використовувати їх для навчання (налаштування) класичних квадратичних форм і мереж Беєса. Запропоновано скористатися способом симетризації кореляційних зв’язків. Доведено, що у цьому випадку вимоги до обсягу біометричних даних істотно знижуються. Як наслідок, налаштування (навчання) квадратичних форм і налаштування мереж найбільшої правдоподібності Беєса стають набагато більш стійкими задачами, що є еквівалентним багаторазовому зниженню вимог до розмірів навчальної вибірки прикладів біометричного образу «свій».

The paper shows that coefficients of correlation for biometric data are of considerable uncertainty if used for small test samples. This fact prevents from using them for machine learning (setting) of classical quadratic forms and Bayesian networks. The method of symmetrizing correlations is proposed to be used. It is proved that the requirements to the volume of biometric data are lower in this case. As a consequence, setting (teaching) of quadratic forms and maximum likelihood Bayesian networks become a much more stable problem. This is equivalent to the multiple reduction of requirements to the size of the training sample for “own” samples.