Többpéldányos tanulás Disztribúciókból

többpéldányos tanulás Disztribúciókból

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

absztrakt

új elméleti keretet javasolunk a többpéldányos tanulás (Mil) beállítás elemzéséhez. MIL-ben, képzési példákat adunk egy tanulási algoritmusnak címkézett készletek formájában, vagy “táskák,” példányok. A MIL alkalmazásai közé tartozik a 3-D kvantitatív struktúra-aktivitási kapcsolat előrejelzése a kábítószer-felfedezéshez és a tartalom alapú képkeresés az internetes kereséshez. Az algoritmus célja egy olyan funkció megtanulása, amely helyesen címkézi az új táskákat, vagy egy olyan funkció, amely helyesen címkézi az új példányokat. Javasoljuk, hogy a zsákokat látens eloszlásként kell kezelni, amelyekből mintákat figyelnek meg. Megmutatjuk, hogy ebben a beállításban meg lehet tanulni a pontos példány – és zsákcímkézési funkciókat, valamint azokat a funkciókat, amelyek a zsákokat vagy példányokat gyenge feltételezések alapján helyesen rangsorolják. Ezenkívül elméleti eredményeink azt sugallják, hogy a hagyományos, jól tanulmányozott “felügyelt” tanulási megközelítésekkel meg lehet tanulni a hatékony rangsorolást. Átfogó empirikus értékelést végzünk, amely alátámasztja az új keretrendszer elméleti előrejelzéseit. A javasolt elméleti keretrendszer az MI és a standard felügyelt tanulási beállítások közötti kapcsolat jobb megértéséhez vezet, és új módszereket kínál az MI adatokból való tanuláshoz, amelyek pontosabbak, hatékonyabbak és jobban megértették az elméleti tulajdonságokat, mint a meglévő MI-specifikus algoritmusok.

&másolás JMLR 2016. (szerkesztés, béta)

Vélemény, hozzászólás?

Az e-mail-címet nem tesszük közzé.