Phân loại gần nhất mạnh mẽ theo cách thích nghi địa phương

Phân loại gần nhất giả định rằng xác suất điều kiện lớp có tính chất không đổi theo từng khu vực. Giả định này trở nên không hợp lệ trong không gian nhiều chiều với các mẫu hữu hạn do tác động của curse of dimensionality. Sự thiên lệch nghiêm trọng có thể xảy ra dưới những điều kiện này khi sử dụng quy tắc gần nhất. Chúng tôi đề xuất một phương pháp phân loại gần nhất thích ứng địa phương để cố gắng giảm thiểu thiên lệch. Chúng tôi sử dụng phân tích khoảng cách chi-bình phương để tính toán một chỉ số linh hoạt nhằm tạo ra các khu vực lân cận rất thích ứng với các vị trí truy vấn. Các khu vực lân cận được kéo dài theo các chiều đặc trưng ít liên quan hơn và bị siết lại theo các chiều có ảnh hưởng lớn nhất. Kết quả là, xác suất điều kiện lớp trở nên mượt mà hơn trong các khu vực lân cận đã được điều chỉnh, từ đó có thể đạt được hiệu suất phân loại tốt hơn. Hiệu quả của phương pháp của chúng tôi được xác thực và so sánh với các kỹ thuật khác bằng cách sử dụng cả dữ liệu mô phỏng và dữ liệu thực tế.