Supongamos que usted tiene un clasificador $C^n$ que continuamente emite una secuencia de etiquetas de clasificación $K^n_i$ y las correspondientes marcas de tiempo $T^n_i$. También, sabemos que la probabilidad anterior $P(K^n) \forall n$. Ahora, supongamos que tenemos varios clasificadores obtención de etiquetas de clasificación de las diferentes fuentes de datos, pero todos intentando reconocer el mismo objeto.
¿Cómo puedo coincidir con la información de estos flujos? Yo podría almacenar un conjunto de $k$ observaciones de todos los clasificadores ({$K^n_i,T^n_i$} $\forall n$ y $i\in [1,k]$) y asumir que las observaciones corresponden a cada uno de los otros en función de la distancia entre sus marcas de tiempo.
E. g. si tenemos 2 clasificadores y $1\le a,b \le k$, {$K^1_a,T^1_a$} , {$K^2_b,T^2_b$} partido si $|T^1_a-T^2_b|<\epsilon$.
Es allí una manera más "inteligente" manera de hacer esto?
