5.2 Person-independent(General) met

5.2 Person-independent(General) method
The classification decision boundary discussed in Section 4.1 is given by the sign of the log likelihood-ratio, LLR,
log P (DS
|d) − log P (DD|d). A modified decision boundary can be constructed using a threshold α, such that
log P (DS
|d) − log P (DD|d) > α. When α is varied, we can plot ROC curves as shown in Figure 9. The different
subplots in the figure correspond to the ROC curves as the number of known samples is increased from 5 to
20. For each plot, the total error rate defined as (False acceptance+False reject)/2 is minimum at a particular
value of α. This is the best setting of α for the specified number of known samples, denoted the operating point,
and is indicated with an asterix ‘*’. When 20 samples are used for learning the error rate is approximately
79%. Figure 10 shows the distribution of LLRs when the questioned samples were genuine and when they were
forgeries. A larger region of overlap indicates a higher error rate.
5.3 Person-dependent method
The person-dependent classification discussed in Section 4.1 mentioned six different statistics for comparing the
two distributions to obtain a probability of match between the questioned sample and the ensemble of knowns.
In order to measure error rates for this classificaton technique, once again a decision needs to be made based on
the probability of whether or not the questioned sample belongs to the ensemble of knowns. If the probability
of match > α, then the decision is in favour of the questioned signature to be genuine, and if the probability of
match < α, the decision is in favor of a forgery (this α should not be confused with that used in the personindependent method). By varying the parameter α, once again ROC curves (False Accept vs. False Reject) can
be plotted for each of the six measures. The best setting of α is termed as the operating point. This setting of α
corresponds to the least total error rate possible. Note that the ROC curves are plotted for the test data set and
the operating point determined on them. These test data set can be considered as a validation set that helps to
determine the operating point. In the curve, the operating point is the point closest to the origin. Table 1 shows
the least total error rate possible when different number of known samples were used for training for each of the
6 different measures. Figure 12(a) shows the same table as a graph comparing the different measures and it can
be seen that the combined KL and KS measure performs the best. The reason for this can be intutively explained
by examining Figure 11(a), where it can be seen that the KS statistic has low false accept rates whereas the KL
statistic has low false reject rates. The combination of these two in the KL and KS measure works the best.
Figure 12(b) shows how the operating point (best setting of α) varies with the number of known samples used.
It can be seen that in order to obtain the least total error rate, the value of α changes with the number of knowns
for certain measures. The value of α explains a lot about what each statistic learns from the known samples. For

Kết quả (Việt) 1:

5.2 Person-independent(General) phương phápRanh giới phân loại quyết định, thảo luận trong phần 4.1 được đưa ra bởi các dấu hiệu của đăng nhập khả năng-ratio, LLR,đăng nhập P (DS| d) − log P (DD | d). Một ranh giới quyết định sửa đổi có thể được xây dựng bằng cách sử dụng một ngưỡng α, như vậy màđăng nhập P (DS| d) − log P (DD | d) > α. Khi α là đa dạng, chúng tôi có thể vẽ đường cong ROC như minh hoạ trong hình 9. Khác nhausubplots trong con số tương ứng với các đường cong ROC như số lượng các mẫu được biết đến tăng từ 5 để20. đối với mỗi lô, tỷ lệ tất cả lỗi định nghĩa là (chấp nhận sai + giả từ chối) / 2 là tối thiểu tại một cụ thểgiá trị của α. Điều này là tốt nhất các thiết lập của α cho số được biết đến mẫu, quy định, biểu thị điểm hoạt động,và được chỉ định với asterix một ' *'. Khi 20 mẫu được sử dụng cho việc học tỷ lệ lỗi là khoảng79%. Hình 10 cho thấy sự phân bố của LLRs khi questioned mẫu đã được chính hãng và khi họ đãgiả mạo. Một khu vực lớn hơn của chồng lên nhau cho thấy một tỷ lệ cao của lỗi.5.3 người phụ thuộc vào phương phápPhân loại phụ thuộc vào người thảo luận trong phần 4.1 đề cập đến sáu thống kê khác nhau để so sánh cáchai phân phối để có được một xác suất của trận đấu giữa các mẫu questioned và các ensemble knowns.Để đo lường tỷ lệ lỗi kỹ thuật classificaton này, một lần nữa quyết định cần phải được thực hiện dựa trênxác suất có hay không các mẫu questioned thuộc về các ensemble knowns. Nếu xác suấttrận > α, sau đó quyết định là để nhường chỗ cho chữ ký questioned để được chính hãng, và nếu các xác suất củaphù hợp với < α, quyết định là trong lợi của một giả mạo (α này không nên nhầm với điều đó được sử dụng trong các phương pháp personindependent). Bằng cách thay đổi tham số α, một lần nữa đường cong ROC (giả chấp nhận vs sai từ chối) có thểđược vẽ cho mỗi người trong số các biện pháp sáu. Các thiết lập tốt nhất của α được gọi là điểm điều hành. Cài đặt này của αtương ứng với tỷ lệ lỗi tổng số ít nhất có thể. Lưu ý rằng các đường cong ROC đang âm mưu cho thiết lập dữ liệu thử nghiệm vàđiều hành điểm được xác định trên chúng. Kiểm tra tập dữ liệu có thể được coi như một bộ xác nhận sẽ giúpxác định điểm hoạt động. Trong đường cong, điểm hoạt động là điểm gần nhất với nguồn gốc. Bảng 1 cho thấycó thể tỷ lệ lỗi tổng số ít nhất là khi khác nhau số mẫu nổi tiếng đã được sử dụng để huấn luyện cho mỗi người6 các biện pháp khác nhau. Hình 12(a) Hiển thị cùng một bảng như là một biểu đồ so sánh các biện pháp khác nhau và nó có thểđược nhìn thấy rằng kết hợp KL và KS biện pháp thực hiện tốt nhất. Lý do cho điều này có thể là intutively giải thíchbằng cách kiểm tra hình 11(a), nơi nó có thể được nhìn thấy rằng số liệu thống kê KS có thấp giả chấp nhận mức giá trong khi KLsố liệu thống kê có tỷ lệ thấp từ chối sai. Sự kết hợp của hai ở KL và KS biện pháp làm việc tốt nhất.Con số 12(b) cho thấy như thế nào điểm hoạt động (cài đặt tốt nhất của α) với số lượng được biết đến mẫu được sử dụng khác nhau.Có thể thấy rằng để có được tỷ lệ lỗi ít nhất là tất cả, giá trị của α thay đổi với số lượng knownsĐối với một số biện pháp. Giá trị của α giải thích rất nhiều về những gì mỗi số liệu thống kê học từ các mẫu được biết đến. Cho

Kết quả (Việt) 2:

5.2 Phương pháp Person độc lập (chung)
Ranh giới quyết định phân loại được thảo luận trong Phần 4.1 được đưa ra bởi các dấu hiệu về khả năng tỷ lệ-log, LLR,
log P (DS
| d) - log P (DD | d). Một ranh giới quyết định sửa đổi có thể được xây dựng bằng cách sử dụng α ngưỡng, như vậy mà
log P (DS
| d) - log P (DD | d)> α. Khi α là khác nhau, chúng ta có thể vẽ đường cong ROC như trong hình 9. khác nhau
subplots trong hình tương ứng với các đường cong ROC là số lượng mẫu được biết đến là tăng từ 5 lên
20. Đối với từng lô, tổng tỷ lệ lỗi được xác định là thu (chấp nhận False + False từ chối) / 2 là tối thiểu ở đặc biệt
giá trị của α. Đây là thiết lập tốt nhất của α cho số quy định của mẫu nổi tiếng, ký hiệu là điểm điều hành,
và được chỉ với một hoa thị '*'. Khi 20 mẫu được sử dụng cho việc học tỷ lệ lỗi là khoảng
79%. Hình 10 cho thấy sự phân bố của LLRs khi mẫu hỏi là chính hãng và khi họ còn
giả mạo. Một khu vực lớn hơn của chồng lên nhau cho thấy một tỷ lệ lỗi cao hơn.
5.3 Phương pháp Người phụ thuộc vào
việc phân loại người phụ thuộc được thảo luận trong mục 4.1 nêu sáu thống kê khác nhau để so sánh
hai phân phối để có được một xác suất của trận đấu giữa các mẫu hỏi và toàn bộ các knowns.
để đo lường tỷ lệ lỗi cho kỹ thuật classificaton này, một lần nữa quyết định cần phải được thực hiện dựa trên
xác suất hay không mẫu hỏi thuộc về toàn bộ các knowns. Nếu xác suất
của trận đấu> α, sau đó quyết định có lợi của chữ ký hỏi là chính hãng, và nếu xác suất của
trận đấu <α, quyết định có lợi cho một sự giả mạo (α này không nên nhầm lẫn với điều đó được sử dụng trong phương pháp personindependent). Bằng cách thay đổi các tham số α, một lần nữa đường cong ROC (False Chấp nhận vs False chối) có thể
được dùng để dự mỗi sáu biện pháp. Các thiết lập tốt nhất của α được gọi là các điểm hoạt động. Thiết lập này của α
tương ứng với tổng tỷ lệ lỗi ít nhất có thể. Lưu ý rằng các đường cong ROC được vẽ cho các dữ liệu thử nghiệm thiết lập và
các điểm hoạt động xác định trên chúng. Những bộ dữ liệu thử nghiệm có thể được coi như là một tập xác nhận giúp để
xác định các điểm hoạt động. Trong các đường cong, các điểm hoạt động là điểm gần nhất với gốc. Bảng 1 cho thấy
tổng tỷ lệ lỗi ít nhất có thể khi số khác nhau của mẫu nổi tiếng được sử dụng để đào tạo cho mỗi
6 biện pháp khác nhau. Hình 12 (a) cho thấy cùng một bảng như một biểu đồ so sánh các biện pháp khác nhau và nó có thể
được nhìn thấy rằng KL và KS biện pháp kết hợp thực hiện tốt nhất. Lý do cho điều này có thể được giải thích intutively
bằng cách kiểm tra Hình 11 (a), nơi nó có thể được nhìn thấy rằng thống kê KS đã giả thấp chấp nhận giá trong khi KL
thống kê có giá giả từ chối thấp. Sự kết hợp của hai trong các biện pháp KL và KS làm việc tốt nhất.
Hình 12 (b) cho thấy cách các điểm hoạt động (thiết lập tốt nhất của α) khác nhau với số lượng mẫu được biết đến sử dụng.
Có thể thấy rằng để có được tổng tỷ lệ lỗi nhất, giá trị của những thay đổi α với số lượng knowns
cho các biện pháp nhất định. Giá trị của α giải thích rất nhiều về những gì từng thống kê học được từ các mẫu được biết đến. vì