多示例论文阅读-2020Robust Multi-Instance Learning with Stable Instances

原文处理了多示例学习中的分类问题

目前为止，有主要两种方法来解决多示例预测的问题。
方法一：修改监督学习器，使其适应多示例的特征向量表示的方式。
方法 二：转换表示。即将二维的包$bag$转换一维的示例$instance$

本文的符号系统：

符号	含义
$\mathcal{X}={\mathbb{R}}^d$	示例空间
Y = { 0 , 1 } \mathcal{Y}=\{0,1\} Y={0,1}	标签空间
B t r = { ( X i t r , y i ) } i = 1 m \mathcal{B}_{tr}=\{(X_{i}^{tr},y_{i})\}_{i=1}^{m} Btr​={(Xitr​,yi​)}i=1m​	数据集
X i = { x i 1 , ⋯   , x i j , ⋯   , x i n i } X_{i}=\{x_{i1},\cdots,x_{ij},\cdots,x_{in_i}\} Xi​={xi1​,⋯,xij​,⋯,xini​​}	包
$\mathcal{D}$	训练集
${\mathcal{B}}^{+}({\mathcal{B}}^{-})$	正包（负包）的集合
$m^{+}(m^{-})$	正包（负包）的数量
$\varphi (X_i)$	包的假设标签
$\mathcal{A}$	用于辅助的“裁判”多示例算法
$A$	“裁判”多示例算法训练后返回的分类器
$X_i^{-}$	负包$i$
$X_i^x=x\cup X_i^{-}$,for $i=1,\cdots ,m^{-}$	被关注示例治疗后的负包
$A(X_i^x)$	被治疗后的负包经分类器$A$预测后的预测值
$s$	关注示例的“治疗效果”，$s$值越大表示治疗效果越好，越可能是正示例

本文提出了一个包中的三种示例的概念：

• 因果示例：
  如果一个示例加入一个负包中，让这个负包的标签转为正，则这个示例为因果示例-------（其实就是正示例，对应图片中的狗）
• 噪声示例:
  单来说就是那些在训练是容易会被误以为是正示例的负示例，比如说草，雪之类的
• 负示例:
  与包标签显著不相关的示例即显然为负的示例 ------（随机背景）

本算法的提出基于标准的多示例假设
1、负包中的示例全为负示例
2、正包中既有正示例也有负示例

所以是正包中的正示例影响了整个包的标签，因为为了选出正包中的代表示例，也就是这些正示例，我们讲正包中的示例，一个个放到负包中。然后使用“裁判”$A$预测这个新的包，判断它的标签。

本文将这种行为称之为治疗：
治疗：将一个示例添加到负包中
若添加后包的标签改变—>治疗有效—>添加的示例为正示例
若添加后包的标签不改变—>治疗无效—>添加的示例为负示例

本文的创新之处就在于，借助了一个另外的多实例分类器作为“裁判”，来判
断示例的“治疗效果”，当治疗效果大于$\tau$,则将其作为代表示例。

将代表示例放入正示例池中

举个更加形象的例子： 若一个小区中有人感染了新冠，那么这个小区就是危险的（正包） 若一个小区中无任何人感染，那么这个小区就是安全的（负包）
本文中的“治疗”操作，其实可以叫做“感染”更便于理解。
现在有一个人，我们无法确定他是否感染了新冠，把这个人放进一个安全的小区里，然后这个小区变成了危险小区，就说明这个人是新冠感染者
若这个小区没有变成危险小区，就说明这个人不是新冠感染者。

映射函数：

$$d(X_i,x)=\underset{x_{ij}\in X_i}{\max }\exp (-\lambda ||x_{ij}-x|{|}^2)$$
$$z_i=[d(X_i,x_1),\cdots ,d(X_i,x_j),\cdots ,d(X_i,x_q)]$$where $x_j\in \mathcal{C}$ and $q$ is the cardinality of set $\mathcal{C}$

公式分析：
$d(X_i,x)$ 表示包和示例之间的距离
$\lambda$ 表示缩放参数，可通过局部缩放自动选择
$||x_{ij}-x||$ 表示两个示例之间的欧式距离
$z_i$ 表示包映射成的向量

代码复现戳这里