引入
题目:带判别袋映射的多实例学习(Multi-Instance Learning with Discriminative Bag Mapping)
代码:
摘要:多实例学习 (MIL) 是解决学习中标签模糊问题的有用工具,因为它允许一组实例共享一个标签。袋映射通过实例选择将袋子转换为新空间中的单个实例,最近引起了广泛关注。迄今为止,大多数现有工作都是基于原始空间,使用每个包内的所有实例进行包映射,并且所选实例不直接与 MIL 目标相关联。因此,很难保证所选实例在新的包映射空间中的区分能力。 在本文中,我们提出了一种用于多实例学习(MILDM)的判别映射方法,旨在识别最佳实例以直接区分新映射空间中的包。因此,可以使用所选实例将每个实例包映射到新的特征空间,因此可以使用任何通用学习算法(例如基于实例的学习算法)来导出用于多实例分类的学习模型。
@article{Wu:2018:1065,
author = {Wu, Jia and Pan, Shirui and Zhu, Xingquan and Zhang, Chengqi and Wu, Xindong},
journal = {IEEE Transactions on Knowledge and Data Engineering},
title = {Multi-Instance Learning with Discriminative Bag Mapping},
year = {2018},
volume = {30},
number = {6},
pages = {1065-1080},
doi = {10.1109/TKDE.2017.2788430}}
1 方法概述
在本文中,我们提出了一种用于多实例学习(MILDM)的直接判别映射方法,旨在识别使袋子在新映射空间中最大程度地可区分的实例,
2 符号定义
3 关键技术
3.1 辨别实例池
Discriminative Instance Pool Evaluation Criteria
具体参考我师兄的博客MILDM
3.2 包映射方法
得到辨别实例池之后,其中每一个包与第
i
i
i个辨别实例的距离函数来进行嵌入:
s
(
B
i
,
x
k
ϕ
)
=
max
x
i
,
j
∈
B
i
exp
(
−
∥
x
i
,
j
−
x
k
ϕ
∥
2
/
σ
2
)
s(\boldsymbol{B}_i,\boldsymbol{x}_{k}^{\phi}) = \max _{\boldsymbol{x}_{i,j}\in \boldsymbol{B}_i} {\exp(-\|\boldsymbol{x}_{i,j} - \boldsymbol{x}_{k}^{\phi}\|^2/{\sigma^2})}
s(Bi,xkϕ)=xi,j∈Bimaxexp(−∥xi,j−xkϕ∥2/σ2)
最后的单向量为:
B
i
ϕ
=
[
s
(
B
i
,
x
1
ϕ
)
,
⋯
,
s
(
B
i
,
x
m
ϕ
)
,
s
(
B
i
,
⋯
,
x
k
ϕ
)
]
\boldsymbol{B}_i^\phi = [s(\boldsymbol{B}_i,\boldsymbol{x}_{1}^{\phi}),\cdots,s(\boldsymbol{B}_i,\boldsymbol{x}_{m}^{\phi}),s(\boldsymbol{B}_i,\cdots,\boldsymbol{x}_{k}^{\phi})]
Biϕ=[s(Bi,x1ϕ),⋯,s(Bi,xmϕ),s(Bi,⋯,xkϕ)]