Meervoudig leren van distributies

meervoudig leren van distributies

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

Abstract

we stellen een nieuw theoretisch kader voor het analyseren van de multiple-instance learning (MIL) setting voor. In MIL, worden trainingsvoorbeelden verstrekt aan een leeralgoritme in de vorm van geëtiketteerde sets, of “zakken,” van instanties. Toepassingen van MIL omvatten 3-D kwantitatieve structuur — activiteitsrelatie voorspelling voor drugontdekking en content-based image retrieval voor web search. Het doel van een algoritme is om een functie te leren die nieuwe tassen correct labelt of een functie die nieuwe instanties correct labelt. Wij stellen voor dat zakken worden behandeld als latente verdelingen waaruit monsters worden waargenomen. We laten zien dat het mogelijk is om accurate instance – en bag-labeling functies te leren in deze instelling, evenals functies die zakken of instanties correct rangschikken onder zwakke veronderstellingen. Bovendien suggereren onze theoretische resultaten dat het mogelijk is om efficiënt te leren rangschikken met behulp van traditionele, goed bestudeerde “begeleide” leerbenaderingen. We voeren een uitgebreide empirische evaluatie uit die de theoretische voorspellingen van het nieuwe raamwerk ondersteunt. Het voorgestelde theoretische kader leidt tot een beter begrip van de relatie tussen de MI en de standaard gecontroleerde leerinstellingen, en het biedt nieuwe methoden voor het leren van MI-gegevens die nauwkeuriger, efficiënter zijn, en beter theoretische eigenschappen dan bestaande mi-specifieke algoritmen hebben begrepen.

&kopieer JMLR 2016. (bewerken, beta)

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd.