双视角实例加权朴素贝叶斯框架：突破单视角局限性的分类新方法

针对朴素贝叶斯(NB)中属性条件独立性假设的局限性，研究人员提出双视角实例加权框架DIWNB，通过构建生成视角（含硬标签DIWNBH和软标签DIWNBS版本）与原始视角互补，在60个基准数据集和2个真实数据集上验证了其优越性，为复杂场景分类提供新思路。

　　

在机器学习领域，朴素贝叶斯(Naive Bayes, NB)因其简单高效被列为十大经典数据挖掘算法之一，但其核心假设——属性条件独立性在现实中往往难以成立。传统改进方法多聚焦于单视角下的实例加权策略，却忽视了现实数据的多维度特性。中国地质大学（武汉）博士、现郑州大学计算机与人工智能学院副研究员Huan Zhang团队在《Pattern Recognition》发表研究，提出突破性解决方案——双视角实例加权朴素贝叶斯(DIWNB)框架。

研究团队创新性地引入双视角学习机制：首先通过多K近邻(KNN)分类器构建生成视角（含硬标签DIWNB^H和软标签DIWNB^S），结合原始视角建立加权NB模型；继而设计急切学习、惰性学习和判别学习三种权重策略；最终通过误差率加权的类概率融合实现预测。关键技术包括：基于KNN的视角生成算法、双重实例权重学习模块、概率融合决策机制，实验覆盖60个UCI基准数据集和2个Kaggle真实数据集。

研究结果部分显示：1）在双视角构建模块，通过优化KNN基分类器筛选策略，生成的互补视角显著提升特征判别力；2）在权重学习模块，DIWNB^H的急切/惰性学习方法分别针对全局和局部特征优化，而DIWNB^S的判别学习方法有效捕捉类边界信息；3）模型融合阶段，基于误差率的自适应加权机制平衡了双视角贡献度。消融实验证实各模块均对性能提升有实质性贡献。

该研究首次将双视角学习引入实例加权NB领域，其理论价值在于突破了单视角的数据表征局限，实践意义体现在：1）DIWNB^H适用于需明确决策边界的场景；2）DIWNB^S在概率敏感任务中表现优异；3）框架的通用性支持扩展其他基分类器。未来工作将探索多视角融合策略及在医疗诊断等领域的应用，相关代码已开源供学术界验证。这项由中国国家自然科学基金（62406294）等资助的研究，为复杂数据分类提供了方法论级创新。