Eine übertrainingsresistente stochastische Modellierungsmethode für die Mustererkennung

Wir stellen einen generischen Ansatz zur Lösung von Problemen der Mustererkennung vor, der auf der Synthese genauer Mehrklassen-Discriminatoren aus einer großen Anzahl sehr ungenauer "schwacher" Modelle durch den Einsatz diskreter stochastischer Prozesse basiert. Im Gegensatz zur üblichen Erwartung, die viele statistische und heuristische Techniken, die typischerweise mit diesem Gebiet verbunden sind, begleiten, ist ein wesentliches Merkmal dieser Methode der "stochastischen Modellierung" ihre Resistenz gegen sogenanntes "Übertraining". Der Leistungsabfall eines stochastischen Modells beim Übergang von Trainings- zu Testdaten bleibt vergleichbar mit dem der einzelnen schwachen Modelle, aus denen es synthetisiert wurde; und da diese Komponent-Modelle sehr einfach sind, ist ihr Leistungsabfall gering, was zu einem stochastischen Modell führt, dessen Leistungsabfall trotz seiner hohen Genauigkeit ebenfalls gering ist.