从群体统计数据中了解个体
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
该文章针对基于Label Proportions的学习环境提出了一个新的学习框架——Empirical Proportion Risk Minimization,利用该学习框架可以构建更好的学习算法,在政治学、营销、医疗保健和计算机视觉等领域有广泛应用。
Feb, 2014
该研究提出了一种概率模型,通过引入潜在的视图特定和视图共享的随机变量来解决组成员预测问题,并使用二次线性分类器来以判别的方式学习数据无关参数,在诸如多摄像头人员重新识别和亲属验证等挑战性的视觉识别任务中表现显着优于现有技术。
Sep, 2015
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
本文提出了一个概率框架,将多实例学习扩展到多类分类和回归等其他问题,并引入一种新的一致性概念来表征估计器,证明了在温和的假设下具有良好的收敛性。实验证明,该方法在三种问题设置中具有有效性。
Apr, 2020
本文提出了一种新的自监督学习方法CLD,通过交叉等级判别来发现和整合实例相似性,显著改善对高度相关,长尾分布和平衡数据集的自监督学习,并在许多基准测试中取得了新的最佳性能。
Aug, 2020
本文提出使用群体级别二元标签作为弱监督来训练示例级别二元分类模型的方法,并将群体级别标签建模为个体实例的条件嘈杂标签,并使用嘈杂标签来调整在强标记实例上训练的模型的预测。实验结果表明,该方法对地表覆盖映射等真实应用具有实用价值,无论类别不平衡是否存在。
Aug, 2021
本研究解决了多实例学习中常见的实例分类问题,提出将其视为一个半监督实例分类问题,从而充分利用带标签和未带标签的实例进行分类器训练。通过引入弱监督自我训练方法,利用正袋标签构建约束,最终在多个数据集上取得了新的最先进的性能,推动了这一领域的发展。
Aug, 2024