基于差异性的多实例学习集成

Feb, 2014

Dissimilarity-based Ensembles for Multiple Instance Learning

Veronika Cheplygina, David M. J. Tax, Marco Loog

TL;DR本文提出了一种介于使用相似性和原型实例之间的、将它们各自的特点结合起来的方法，并使用随机子空间集合来设计分类器以实现在多实例学习问题上的最先进性能。

Abstract

In multiple instance learning, objects are sets (bags) of feature vectors (instances) rather than individual feature vectors. In this paper we address the problem of how these bags can best be represented. Two standard approaches are to use (dis)similarities between bags and prototype

multiple instance learning bag of feature vectors prototype instances classifier random subspace ensemble

发现论文，激发创造

基于包的不相似性的多示例学习

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

将实例视为非独立同分布样本的多实例学习

本文提出一种简单而有效的多实例学习方法，将每个袋子看作一个图，并使用一种特定的内核来区分图形，考虑节点的特征以及传达实例之间关系的边的特征，从而更好地利用实例间的关系。实验证明了该方法的有效性。

Jul, 2008

多实例神经网络的重访

该论文探讨了利用神经网络解决多示例学习问题，并提出了一种新的多示例神经网络来学习 “bag representations”，该网络采用深度监督和反向传播进行参数优化，并在多项基准测试中取得了最优或竞争性能。

Oct, 2016

关于用袋、组和集合进行分类的研究

本文总结了针对集合特征向量数据集的基于监督学习的多种拓展方法，并提出了一种分类法以展示它们之间的关系，并讨论了未来的研究方向。

Jun, 2014

多实例学习：问题特征和应用综述

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

利用神经网络形式主义解决多实例问题

本文提出了一种基于神经网络的多实例学习技术，在 14 个公开基准数据集上进行了八种分类器的比较，结果表明该技术可以有效地优化和发现袋子中的未知模式

Sep, 2016

探索新的方法：强调表征差异性以学习新特征并减少误差一致性

利用表征相似性领域的方法，提出了一种新颖的想法，在训练期间推动中间表示在不同架构之间的深度上不同，以学习具有不同故障模式的鲁棒集成模型。结果表明，高度不相似的中间表示导致较低的相关性输出预测及稍微降低的错误一致性，并提高了集成模型的准确性。

Jul, 2023

多实例多标签学习

本文提出了 MIML（多实例多标签学习）框架，可以更方便、更自然地表示具有多重语义含义的复杂对象，并基于简单的退化策略提出了 MimlBoost 和 MimlSvm 算法。同时，本文还提出了用于解决 MIML 问题的 D-MimlSvm、InsDif 和 SubCod 算法，并在实验中证明了它们的优异表现。

Aug, 2008

基于不相似性的稀疏子集选择

本文提出了一种在计算机视觉、生物 / 健康信息学及图像和自然语言处理等领域中集合选择问题的求解方法，通过行稀疏的迹最小化问题的凸松弛，找到代表样本集，并赋予目标集合中的每个元素到代表样本的分配，实现集群化，并通过交替方向乘法法（ADMM）框架实现快速优化。实验证明，该算法在场景分类和时间序列建模和分割等问题上都具有优异的性能。

Jul, 2014

不变和扩散实例特征的无监督嵌入学习

该研究主要探讨无监督嵌入学习问题，通过提出一种基于实例的 softmax 嵌入方法，直接在 softmax 函数上优化真实实例特征，旨在学习数据增强不变和实例分散特征，并在余弦相似性下实现了快速学习速度和更高的准确性。

Apr, 2019