任意假设类的多示例学习
本文综合研究了不同类型的多实例学习问题的特点,并提供了解决每一类问题的方法,考察了这些特征在关键应用领域中的体现,最后通过实验比较了 16 种最先进的算法在所选问题特征上的性能。
Dec, 2016
本文提出了一种基于神经网络的置换不变聚合运算符,并展示了其在多个 MIL 数据集上的实验表现,特别是在两个真实组织病理学数据集上的表现,同时保持了可解释性。
Feb, 2018
本文提出了一种基于袋之间的不相似性的向量表示方法,用于多实例学习中的学习和分类,这种方法在多个 MIL 数据集上都具有与最先进算法相当的性能,计算代价较小。
Sep, 2013
本文研究了多示例学习(MIL)中模型的可解释性,并提出了几种模型无关的方法来满足这些要求,在多个数据集上与现有的基于模型的 MIL 模型进行比较,并取得了高达 30% 的解释性准确性的提高。同时研究了这些方法识别实例间相互作用的能力和扩展到大型数据集,从而提高了它们应对实际问题的能力。
Jan, 2022
在本研究中,我们调查了五种具有代表性的深度多实例学习模型,并发现这些模型都没有遵守标准的多实例学习假设。它们能够学习到相互反相关的实例,即在看到反例之前默认为 “正例”,这在一个正确的多实例学习模型中是不可能发生的。我们怀疑从这些模型派生的增强方法和其他工作也存在相同的问题。这种错误的学习可能导致操作失误,因此在使用这些模型的任何情况下,都存在潜在的风险。我们提出了一种 “算法单元测试” 的方法来鉴别并证明这个问题,创建了一些可以由遵守多实例学习假设的模型解决的合成数据集,并清楚地显示出违反多实例学习假设的学习结果。五种评估方法中的每一种都未能通过一个或多个这些测试,为识别建模假设的违规提供了与模型无关的方法,我们希望这对未来多实例学习模型的开发和评估有所帮助。
Oct, 2023
本研究提出了一种基于深度神经网络和 Bernstein 多项式估计的专用实例方法 ProMIL 来解决多实例学习中标签分配问题,并证明其在医学应用方面胜过标准基于实例模型。
Jun, 2023
本文提出一种基于图神经网络的多实例学习算法,将每个数据包视为图,并使用图神经网络学习包嵌入,利用实例之间的结构信息来预测标签。实验证明,该算法在多个常用数据集上达到了最先进的效果,且不失模型的可解释性。
Jun, 2019
本文提出了一种基于马尔可夫网络的多实例学习图形框架,可用于建模传统的 MIL 定义以及更一般的 MIL 定义,并在弱监督数据中探索了不同水平的不确定性。为了训练这些模型,我们提出了一种利用基于基数的 cliques 的有效推理的判别最大化边际学习算法。实验结果表明编码或学习不确定性的程度可以提高分类性能。
Sep, 2013
该研究提出了一种新颖的干预型多实例学习(IMIL)框架,并通过因果干预设计期望最大化(EM)算法来实现训练过程中的强大实例选择以及抑制袋子上下文先验引起的偏差。 实验表明,IMIL 方法可以显著减少误报,并优于现有 MIL 方法。
Apr, 2022