ТЕОРЕТИКО-ИНФОРМАЦИОННЫЕ ГРАНИЦЫ ТОЧНОСТИ БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ В МЕТРИЧЕСКИХ ПРОСТРАНСТВАХ ПРЕДСТАВЛЕНИЙ ДАННЫХ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Исследуются нижние границы вероятности ошибки идентификации персон при заданном количестве анализируемой информации на множествах биометрических объектов, заданных изображениями, и на ансамбле множеств различной модальности. Границы вероятности ошибки строятся в рамках вероятностной модели классификации объектов в метрических пространствах их представлений. Полученные границы не зависят от решающих алгоритмов и являются обращениями функций “скорость–погрешность” (rate–distortion functions) для модели кодирования дискретных источников с погрешностью по мере Хемминга по сообщениям на выходе канала с искажениями. Отклонение нижней границы вероятности ошибки от единицы дает верхнюю границу точности идентификации как функцию количества анализируемой информации на заданном множестве объектов. Построенные границы полезны для анализа эффективности алгоритмов принятия решений в терминах отклонения вероятности ошибки или точности алгоритма относительно граничных значений при заданных значениях количества анализируемой информации.

Об авторах

А. М Ланге

ФИЦ РАН

Email: lange_am@mail.ru
Москва, Россия

М. М Ланге

ФИЦ РАН

Email: lange_mm@mail.ru
Москва, Россия

С. В Парамонов

ФИЦ РАН

Email: psypobox@gmail.com
Москва, Россия

Список литературы

  1. Gallager R.G. Information Theory and Reliable Communication. N.Y.: Wiley and Sons, 1968. 588 p.
  2. Dobrushin R.L., Tsybakov B.S. Information Transmission with Additional Noise // IRE Transaction on Information Theory. 1962. V. 8(5). P. 293–304. doi: 10.1109/TIT.1962.1057738.
  3. Sethi I.K., Sarvarayudd G.P.R. Hierarchical Classifier Design Using Mutual Information // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1982. V. 4(4). P. 441–445.
  4. Rigau J., Fekxas M., Sbert M. An Information Theoretic Framework for Image Segmentation // Intern. Conf. on Image Processing. ICIP '04, Singapura: IEEE, 2005. AN: 8436089. doi: 10.1109/ICIP.2004.1419518.
  5. Lange M.M., Lange A.M. Information Theoretic Lower Bounds to Error Probability for the Models of Noisy Discrete Source Coding and Object Classification // Pattern Recognition and Image Analysis. 2022. V. 32(3). P. 570-574. doi: 10.1134/S105466182203021X.
  6. Ланге M.M., Ланге A.M. Теоретико-информационные границы точности кодирования сообщений и распознавания образов по ансамблям данных // Компьютерная оптика. 2024. Т. 48(3). С. 460–470. doi: 10.18287/2412-6179-CO-1362
  7. Brown G., Pocock A., Zhao M.J., Luj'an M. Conditional Likelihood Maximization: A Unifying Framework for Information Theoretic Feature Selection // J. Machine Learning Research. 2012. V. 13(8). P. 27–66.
  8. Fleuret F. Fast Binary Feature Selection with Conditional Mutual Information // J. Machine Learning Research. 2004. V. 5. P. 1531–1555.
  9. Ланге A.M., Ланге M.M., Парамонов С.В. О соотношении взаимной информации и вероятности ошибки в задаче классификации данных // ЖВМ и МФ. 2021. Т. 61(7). С. 1129–1205. doi: 10.31857/S0044466921070115.
  10. Duin R.P.W., de Ridder D., Tax D.M.J. Experiments with a Featureless Approach to Pattern Recognition // Pattern Recognition Letters. 1997. V. 18. P. 1159–1166.
  11. Dovenko S.D. Recovering Missing Values of Paired Comparisons // Pattern Recognition and Image Analysis. 2022. V. 32(3). P. 522–527. doi: 10.1134/S1054661822030099.
  12. Sueño H.T., Gerardo B.D., Medina R.P. Multi-class Document Classification Using Support Vector Machine (SVM) Based on Improved Naive Bayes Vectorization Technique // Intern. J. Advanced Trends in Computer Science and Engineering. 2020. V. 9(3). P. 3937–3944. doi: 10.30534/ijatcse/2020/216932020.
  13. Xu X., Huang S.L., Zheng L., Wornell G.W. An Information Theoretic Interpretation to Deep Neural Networks // Entropy. 2022. V. 24(1). P. 135. doi: 10.3390/e24010135.
  14. Cover T.M., Thomas J.A. Elements of Information Theory. 2nd ed. N.Y.: Wiley and Sons, 2006. 748 p.
  15. Distance Matrices for Face Dataset. Available: https://github.com/lange-am/tree_distance_matricies/blob/main/treedist_faces_euclidean2.txt
  16. Distance Matrices for Signature Dataset. Available: https://github.com/lange-am/tree_distance_matricies/blob/main/treedist_signs_euclidean2.txt

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».