＜论文阅读02＞ Multi-Instance Learning with Discriminative Bag Mapping

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$i$个辨别实例的距离函数来进行嵌入：
$$s({\mathbf{B}}_i,{\mathbf{x}}_k^{\varphi })=\underset{{\mathbf{x}}_{i,j}\in {\mathbf{B}}_i}{\max }\exp (-\Vert {\mathbf{x}}_{i,j}-{\mathbf{x}}_k^{\varphi }{\Vert }^2/{\sigma }^2)$$
最后的单向量为：
$${\mathbf{B}}_i^{\varphi }=[s({\mathbf{B}}_i,{\mathbf{x}}_1^{\varphi }),\cdots ,s({\mathbf{B}}_i,{\mathbf{x}}_m^{\varphi }),s({\mathbf{B}}_i,\cdots ,{\mathbf{x}}_k^{\varphi })]$$