Moniasteinen oppiminen jakeluista

Moniasteinen oppiminen jakeluista

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

Abstrakti

ehdotamme uutta teoreettista viitekehystä moniasteisen oppimisen (multiple-instance learning, MIL) analysointiin. MIL, koulutus esimerkkejä annetaan oppimisen algoritmi muodossa merkitty sarjaa, tai ”pussit,” tapauksia. MIL: n sovelluksia ovat 3-D: n kvantitatiivinen rakenne–aktiivisuussuhteen ennustaminen huumelöydölle ja sisältöpohjainen kuvahaku verkkohaulle. Algoritmin tavoitteena on oppia toiminto, joka merkitsee oikein uusia laukkuja tai toiminto, joka merkitsee oikein uusia tapauksia. Ehdotamme, että pusseja käsiteltäisiin piilevinä jakaumina, joista näytteitä havaitaan. Osoitamme, että tässä asetuksessa on mahdollista oppia tarkkoja instanssi – ja laukkumerkintätoimintoja sekä toimintoja, jotka sijoittavat laukut tai tapaukset oikein heikkojen oletusten alle. Lisäksi teoreettiset tuloksemme viittaavat siihen, että on mahdollista oppia sijoittumaan tehokkaasti käyttämällä perinteisiä, hyvin tutkittuja ”valvottuja” oppimistapoja. Suoritamme laajan empiirisen arvioinnin, joka tukee uuden viitekehyksen mukanaan tuomia teoreettisia ennusteita. Ehdotettu teoreettinen viitekehys johtaa parempaan ymmärrykseen virhetoiminnan ilmaisimen ja standardiohjattujen oppimisasetusten välisestä suhteesta, ja se tarjoaa uusia menetelmiä virhetoiminnan ilmaisimen tiedoista oppimiseen, jotka ovat tarkempia, tehokkaampia ja joilla on paremmin ymmärretyt teoreettiset ominaisuudet kuin nykyisillä MI-spesifisillä algoritmeilla.

&kopio JMLR 2016. (edit, beta)

Vastaa

Sähköpostiosoitettasi ei julkaista.