ICMLNov, 2019

代价高昂特征的分层多实例数据分类

PDF
TL;DR通过远程服务对恶意网络域名进行分类，并基于具有层次结构的多实例数据的树进行分析，使用分类成本特征、多实例学习和分层决策空间分解的方法来训练强化学习策略以最大化准确性，同时限制成本，能够有效处理结构复杂的数据。
malicious web domainsremote servicehierarchical multiple-instance learningmarkov decision processdeep reinforcement learning
发现论文，激发创造
  • 使用马尔科夫网络的判别训练进行多实例学习

    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

  • 深度网络中测试时间无成本似然操纵以减小错误率

    研究表明，当前基于层次结构的分类器不能在减少深度学习分类器中较严重错误方面表现出实用的改进。然而，条件风险最小化（CRM）框架作为一种简单又有效的方法，通过修正推理时的错误来修复此问题，同时避免引入过多的超参数或更多的代码。

    Apr, 2021

  • HTTP 网络流量建模中的嵌套多实例学习

    本文介绍一种利用多实例学习从计算机网络的 HTTP 流量中识别感染计算机的模型，相较于基于人工设计特征以及基于卷积神经网络自动学习特征的方法，在未见数据的情况下更加准确地识别感染计算机，并为安全研究人员提供有价值的反馈。我们相信这种模型框架的应用不仅限于安全领域。

    Feb, 2020

  • DTFD-MIL: 双层特征蒸馏多示例学习用于组织病理学全切片图像分类

    提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

    Mar, 2022

  • 使用深度强化学习进行代价昂贵的特征分类

    本文研究一个分类问题，针对特征的代价进行优化，通过应用神经网络的顺序决策方法来解决分类问题，表现与专为此问题开发的算法相当，并且灵活性高，可通过引入预先训练的高性能分类器来改进。

    Nov, 2017

  • 对比多视角双曲分层聚类

    本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。

    May, 2022

  • 面向类增量学习的在线超参数优化

    该研究设计了一种在线学习方法，可以自适应地优化稳定性 - 可塑性权衡，具有优异的性能表现。

    Jan, 2023

  • 带树结构的多实例问题的判别模型

    该篇文章研究了如何使用机器学习模型检测感染计算机的 HTTP (S) 流量，并提出了一种新的磁盘鉴别模型，该模型基于预定义时间窗口内的计算机流量进行决策，克服了传统方法中需要庞大、多样化的标签数据的限制，提高了准确性和自动化学习的能力。

    Mar, 2017

  • 动态策略驱动自适应多实例学习用于整张切片图像分类

    将动态实例采样和强化学习集成到一个统一的框架中，形成一种新的动态策略实例选择方案，以改进实例选择和特征聚合，用于更好和更可靠的决策制定。

    Mar, 2024

  • 基于屏蔽的困难实例挖掘的多实例学习框架用于全切片图像分类

    通过应用基于注意力机制的多示例学习方法，创新地利用硬样本在分类边界建模中的好处，提出一种新的多示例学习框架，使用掩码硬实例挖掘（MHIM-MIL）的思想，旨在使学生模型学习到更好的判别边界。实验证明，MHIM-MIL 在性能和训练成本方面优于其他最新方法。

    Jul, 2023