Lärande med flera instanser från distributioner

lärande med flera instanser från distributioner

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

Abstrakt

vi föreslår en ny teoretisk ram för att analysera inställningen för multiple-instance learning (MIL). I MIL ges träningsexempel till en inlärningsalgoritm i form av märkta uppsättningar eller ”påsar” av instanser. Tillämpningar av MIL inkluderar 3D kvantitativ struktur-aktivitetsförhållande förutsägelse för läkemedelsupptäckt och innehållsbaserad bildhämtning för webbsökning. Målet med en algoritm är att lära sig en funktion som korrekt märker nya väskor eller en funktion som korrekt märker nya instanser. Vi föreslår att påsar ska behandlas som latenta fördelningar från vilka prover observeras. Vi visar att det är möjligt att lära sig exakta instans – och påsmärkningsfunktioner i denna inställning samt funktioner som korrekt rankar påsar eller instanser under svaga antaganden. Dessutom tyder våra teoretiska resultat på att det är möjligt att lära sig att rangordna effektivt med traditionella, väl studerade ”övervakade” inlärningsmetoder. Vi utför en omfattande empirisk utvärdering som stöder de teoretiska förutsägelser som följer av det nya ramverket. Den föreslagna teoretiska ramen leder till en bättre förståelse av förhållandet mellan MI och standardövervakade inlärningsinställningar, och det ger nya metoder för att lära av MI-data som är mer exakta, effektivare och har bättre förstått teoretiska egenskaper än befintliga MI-specifika algoritmer.

&kopiera JMLR 2016. (redigera, beta)

Lämna ett svar

Din e-postadress kommer inte publiceras.