×
鲍、韩；酒井俊彦；Issei佐藤；杉山正树

从正包和未标记包中学习多实例的凸公式。 （英语） Zbl 1434.68393号

神经网络。 105, 132-141 (2018).
摘要：多实例学习（MIL）是传统监督学习问题的一种变体，其中数据（称为包）由子元素（称为实例）组成，并且只有包标签可用。MIL具有多种应用，如基于内容的图像检索、文本分类和医学诊断。MIL之前的大部分工作都假设培训包都贴满了标签。然而，在实际情况下，通常很难获得足够数量的带标签的袋子，而许多未带标签的袋是可用的。一个称为PU分类（正向和未标记分类）的学习框架可以解决这个问题。本文提出了一种凸PU分类方法来解决MIL问题。实验表明，与现有的PU-MIL方法相比，该方法具有更好的性能，且计算成本显著降低。

MSC公司：

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）

关键词：

多元学习；阳性未标记分类；弱监督分类
PDF格式BibTeX公司 XML格式引用
\textit{H.Bao}等人，神经网络。105132-141（2018年；兹比尔1434.68393）
全文： 内政部 arXiv公司

参考文献：

[1] 安德鲁斯。；Tsochantaridis，I。；Hofmann，T.，用于多实例学习的支持向量机，神经信息处理系统（NIPS），577-584（2002）
[2] Babenko，B.、Yang，M.H.和Belongie，S.（2009年）。通过在线多实例学习进行视觉跟踪。IEEE计算机视觉和模式识别会议（第983-990页）。
[3] Blaschko，M.B.和Hofmann，T.（2006年）。共形多实例内核。在神经信息处理系统（NIPS）学习比较示例研讨会上（第1-6页）。
[4] Bunescu，R.C.和Mooney，R.J.（2007）。稀疏正包的多实例学习。在机器学习国际会议上（第105-112页）。
[5] 科尔特斯，C。；Vapnik，V.，支持向量网络，机器学习，20，273-297（1995）·Zbl 0831.68098号
[6] Dietterich，T.G。；Flann，N.S.，《解决不完美理论问题的归纳方法》，（美国人工智能协会春季研讨会系列：基于解释的学习（1988）），42-46
[7] Dietterich，T.G。；Lathrop，R.H。；Lozano-Pérez，T.，用轴平行矩形解决多实例问题，（人工智能：第89卷（1997），Elsevier），31-71·Zbl 1042.68650号
[8] Dundar，M.M。；冯先生。；Krishnapuram，B。；Rao，R.B.，计算机辅助检测的多实例学习算法，IEEE生物医学工程学报，551015-1021（2008）
[9] du Plessis，M.C.、Niu，G.和Sugiyama，M.（2013）。聚类未聚类数据：对具有不同类别余额的两个数据集进行无监督二进制标记。在人工智能技术和应用会议上（第1-6页）。
[10] 杜普莱西斯，M.C。；牛，G。；Sugiyama，M.，从正面和未标记数据中学习的分析，神经信息处理系统（NIPS），703-711（2014）
[11] du Plessis，M.C.、Niu，G.和Sugiyama，M.（2015）。用于从正数据和未标记数据中学习的凸公式。在机器学习国际会议上（第1386-1394页）。
[12] 杜普莱西斯，M.C。；Sugiyama，M.，《基于正面和未标记数据的类别先验估计》，IEICE信息与系统交易，97，1358-1362（2014）
[13] 傅，Z。；罗伯斯·凯利，A。；周，J.，MILIS:带实例选择的多实例学习，IEEE模式分析和机器智能汇刊，33958-977（2011）
[14] Gärtner，T.、Flach，P.A.、Kowalczyk，A.和Smola，A.J.（2002）。多实例内核。在机器学习国际会议上（第179-186页）。
[15] Kanezaki，A.、Harada，T.和Kuniyoshi，Y.（2011年）。用于三维空间中弱监督对象学习的尺度和旋转不变颜色特征。在计算机视觉国际会议（ICCV）研讨会上（第617-624页）。
[16] Li，Y.-F.，Kwok，J.T.，Tsang，I.W.，&Zhou，Z.-H.（2009）。一种利用多实例学习定位感兴趣区域的凸方法。在关于机器学习和数据库中知识发现的原理与实践的欧洲会议上（第15-30页）。
[17] Li，W.，&Vasconcelos，N.（2015）通过顶级实例进行软包的多实例学习。IEEE计算机视觉和模式识别会议（第4277-4285页）。
[18] 李，D。；Wang，J。；X.赵。；刘，Y。；Wang，D.，基于多核的图像分类多实例学习算法，《视觉通信与图像表示杂志》，251112-1117（2014）
[19] Lindsay，R.K.，《人工智能在有机化学中的应用：DENDRAL项目》（1980年），McGraw-Hill图书公司：McGraw-Hill图书有限公司，纽约
[20] 马龙，O。；Lozano-Pérez，T.，《多元学习框架》，神经信息处理系统（NIPS），570-576（1998）
[21] Maron，O.和Ratan，A.L.（1998年）。自然场景分类的多实例学习。在机器学习国际会议上（第341-349页）。
[22] McDiarmid，C.，《关于有界差异的方法》，《组合数学中的调查》，141148-188（1989）·Zbl 0712.05012号
[23] Pandey，M.和Lazebnik，S.（2011年）。基于可变形部分模型的场景识别和弱监督目标定位。在计算机视觉国际会议上（第1307-1314页）。
[24] 杉山，M。；Kanamori，T。；铃木，T。；杜普莱西斯，M.C。；刘，S。；Takeuchi，I.，密度差估计，神经信息处理系统（NIPS），683-691（2012）
[25] Tong，T。；沃尔兹，R。；高奇。；格雷罗（Guerrero，R.）。；Hajnal，J.V。；Rueckert，D.，大脑核磁共振成像中痴呆分类的多实例学习，医学图像分析，18808-818（2014）
[26] Vapnik，V.N.，《统计学习理论的本质》（1995），Springer-Verlag:Springer-Verlag Inc.，美国纽约州纽约市·Zbl 0833.62008号
[27] Vapnik，V.，《统计学习理论》（1998），威利出版社：威利纽约·Zbl 0935.62007号
[28] Wang，J.和Zucker，J.-D.（2000）。解决多实例问题：懒惰的学习方法。在机器学习国际会议上（第1119-1126页）。
[29] Wu，J.、Hong，Z.、Pan，S.、Zu，X.、Zhang，C.和Cai，Z.（2014）。在SIAM数据挖掘国际会议上（第217-225页）。
[30] 吴杰。；潘，S。；朱，X。；张，C。；Philip，S.Y.，图分类的多结构视图学习，IEEE神经网络和学习系统汇刊，1-16（2017）
[31] 吴杰。；潘，S。；朱，X。；张，C。；Wu，X.，积极和无标记多图学习，IEEE控制论汇刊，47818-829（2017）
[32] 吴杰。；潘，S。；朱，X。；张，C。；Wu，X.，带区分性包映射的多实例学习，IEEE知识与数据工程汇刊，1065-1080（2018）
[33] Wu，J.、Yu，Y.、Huang，C.和Yu，K.（2015）。用于图像分类和自动标注的深度多实例学习。IEEE计算机视觉和模式识别会议（第3460-3469页）。
[34] Wu，J.、Zhu，X.、Zhang，C.和Cai，Z.（2013）。多实例多图双重嵌入学习，IEEE数据挖掘国际会议（第827-836页）。
[35] Wu，J.、Zhu，X.、Zhang，C.和Cai，Z.（2014）。从正面和未标记的袋子中进行多方位学习。太平洋-亚洲知识发现和数据挖掘会议（第237-248页）。
[36] 张，Q。；Goldman，S.A.，EM-DD：一种改进的多实例学习技术，神经信息处理系统（NIPS），1073-1080（2001）
[37] Zhou，Z.-H.，Sun，Y.-Y.，&Li，Y.-F.（2009）。通过将实例视为非i.i.d.样本进行多实例学习。在机器学习国际会议上（第1249-1256页）。
[38] Zhou，Z.-H.，&Xu，J.-M.（2007）。关于多实例学习与半监督学习的关系。在机器学习国际会议上（第1167-1174页）。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。