생성국부거리(Generative Local Metric, GLM) 학습을 통한 최근린 분류(Nearest Neighbor Classification, NN Classification)는 생성적(generative) 접근방법과 분류적(discriminative) 접근방법의 합성 모델이다. 두 방법의 차이는 분류형 형태를 띄는 최근린 분류기가 데이터의 모델을 고려하지 않는 반면, 생성형 분류기는 언제나 확률 밀도 함수의 형태를 가정하고 학습하게 된다는 데 있다. 이 연구에서는 어떻게 이러한 서로 다른 분류적, 생성적 접근이 서로 다른 종류의 강점을 가지게 되고, 어떻게 GLM은 이러한 양쪽의 강점을 모두 취하게 되는지 설명한다. 다양한 예시를 통해 우리는 어떠한 경우에 생성적 방법이 분류적 방법보다, 혹은 분류적 방법이 생성적 방법보다 좋은 성능을 보이게 되는가를 알아보고, 이러한 경우에서 비록 모델이 정확하지 않은 경우에 대해서도 GLM이 원래의 최근린 분류 성능을 계속 향상 시키는 좋은 특정이 있는 것을 보인다.
Nearest neighbor (NN) classification with generative local metric (GLM) learning is a hybrid method of the discriminative and generative approaches. A discriminative NN classifier does not consider any model of data, while a generative classifier unavoidably adopts a particular form of the probability density function. In this work, we illuminate how these discriminative and generative approaches have different advantages and show how the advantages of both can be resolved into a GLM method. We present various examples that clearly show the different regimes where the discriminative and generative approaches should outperform each other. In these examples, we show that the GLM is robust to the usage of an incorrect model, enhancing NN classifier performance even when the model is not exact.
