Aprendizagem de múltiplas instâncias a partir de distribuições

aprendizagem de múltiplas instâncias a partir de distribuições

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

Abstract

propomos um novo referencial teórico para análise da configuração de aprendizagem de múltiplas instâncias (MIL). Em MIL, exemplos de treinamento são fornecidos a um algoritmo de aprendizagem na forma de conjuntos rotulados, ou “bolsas”, de instâncias. As aplicações do MIL incluem estrutura quantitativa 3-D-previsão de relacionamento de atividade para descoberta de drogas e recuperação de imagem baseada em conteúdo para pesquisa na web. O objetivo de um algoritmo é aprender uma função que rotula corretamente novos sacos ou uma função que rotula corretamente novas instâncias. Propomos que os sacos sejam tratados como distribuições latentes das quais as amostras são observadas. Mostramos que é possível aprender funções precisas de rotulagem de instância e saco nesta configuração, bem como funções que classificam corretamente sacos ou instâncias sob suposições fracas. Além disso, nossos resultados teóricos sugerem que é possível aprender a classificar com eficiência usando abordagens de aprendizagem “supervisionadas” tradicionais e bem estudadas. Realizamos uma extensa avaliação empírica que suporta as previsões teóricas implicadas pelo novo quadro. O referencial teórico proposto leva a uma melhor compreensão da relação entre o MI e os ambientes de aprendizagem supervisionada padrão, e fornece novos métodos para aprender com os dados do MI que são mais precisos, mais eficientes e têm propriedades teóricas melhor compreendidas do que os algoritmos específicos do MI existentes.

&cópia JMLR 2016. (editar, beta)

Deixe uma resposta

O seu endereço de email não será publicado.