본 논문은 생성 모델과 판별 모델을 결합한 새로운 분류 프레임워크인 Smart Bayes를 소개합니다. Smart Bayes는 Likelihood-ratio 기반의 생성적 특징을 로지스틱 회귀 스타일의 판별적 분류기에 통합합니다. Naive Bayes의 고정된 단위 가중치를 완화하여 데이터 기반 계수를 밀도 비율 특징에 적용하며, 입력값을 각 특징 값이 한 클래스에서 다른 클래스보다 얼마나 더 가능성이 높은지를 명시적으로 정량화하는 marginal log-density 비율로 변환하여 로지스틱 회귀 및 Naive Bayes보다 더 강력한 클래스 분리를 제공합니다. 이를 위해, 유연하고 강력하며 계산 효율적인 단변량 log-density 비율에 대한 스플라인 기반 추정기를 개발했습니다. 광범위한 시뮬레이션 및 실제 데이터 연구를 통해 Smart Bayes는 종종 로지스틱 회귀 및 Naive Bayes보다 성능이 우수합니다. 본 연구 결과는 생성적 구조를 활용하여 판별적 성능을 향상시키는 하이브리드 접근 방식의 잠재력을 강조합니다.
