Multiple-Instance læring fra distributioner

multiple-Instance læring fra distributioner

Gary Doran, Soumya Ray; 17(128):1-50, 2016.

abstrakt

vi foreslår en ny teoretisk ramme til analyse af indstillingen multiple-instance learning (Mil). I MIL gives træningseksempler til en læringsalgoritme i form af mærkede sæt eller “poser” af forekomster. Anvendelser af MIL inkluderer 3-D Kvantitativ struktur-forudsigelse af aktivitetsforhold til lægemiddelopdagelse og indholdsbaseret billedhentning til internetsøgning. Målet med en algoritme er at lære en funktion, der korrekt mærker nye poser eller en funktion, der korrekt mærker nye forekomster. Vi foreslår, at poser skal behandles som latente fordelinger, hvorfra prøver observeres. Vi viser, at det er muligt at lære nøjagtige instans – og taskemærkningsfunktioner i denne indstilling såvel som funktioner, der korrekt rangerer poser eller forekomster under svage antagelser. Derudover antyder vores teoretiske resultater, at det er muligt at lære at rangere effektivt ved hjælp af traditionelle, velundersøgte “overvågede” læringsmetoder. Vi udfører en omfattende empirisk evaluering, der understøtter de teoretiske forudsigelser, der følger af den nye ramme. Den foreslåede teoretiske ramme fører til en bedre forståelse af forholdet mellem MI og standard overvåget læringsindstillinger, og det giver nye metoder til læring fra MI-data, der er mere nøjagtige, mere effektive og har bedre forstået teoretiske egenskaber end eksisterende MI-specifikke algoritmer.

&kopi JMLR 2016. (edit, beta)

Skriv et svar

Din e-mailadresse vil ikke blive publiceret.