文章目录
引入
论文地址:我在这儿
要点:
1)提出一种以分类为基础的分析方法;
2)提出了14中方法,把他们分为三个不同的类,通过一组不同的数据来分析这些方法的表现,为了强调方法的特征,在合成场景中学习他们的表现;
3)进行对结果的分析得出结论,在全局选取包水平的信息能够展现出更好的性能;
4)从这个意义上说,分析的目的是为了证明某些类型的方法比其他方法更容易被接受,并且允许为设计新的方法建立指导方针。
Introduction
非核心部分,不做解读(其实很重要,但懒的读)。这里给出一个概率 Multiple Instance Classification (MIC)
Examplesofmultiple-instanceclassificationproblems
这部分大致提出了现在的多示例学习能够运用于那些问题上面,并举出了例子,有兴趣的可以深入了解一下。
Basic concepts and overview of paradigms(基本概念和范式概述)
一个包 X = { x 1 , . . . x N } X=\{x_1,...x_N\} X={x1,...xN} , x i x_i xi 是一个单独的实例,他是一个 d d d 维的向量。 MIC的问题是学习一个模型,然后能够预测出一些未知标签包的标签,对其进行分类,在本文中是一个二分类问题, X X X 是正包或者负包。我们将数据集分为 M M M 个训练包和 N N N 个测试包,。。。。。。。。。
总结
直接来总结,其实这篇论文是一篇综述性的论文,读起来还是很吃力的,但是其SimpleMI的思想还是很简单的,就是把每个包中的示例求平均,用最后的平均值来代表这个包,将多示例转化维单示例学习。