MMOct, 2022

用于检测顺序现实数据集中异常的多实例学习

PDF
TL;DR本文研究了如何通过多实例学习 (MIL) 方法在不完全了解异常标签的情况下，检测来自不同物理过程及不同模式的实际数据集中的异常，经过实验评估，该方法在挑战性数据集上的表现优于单实例学习，并具有一定的扩展性。
anomaly detectionmultiple instance learningreal-world datasetsalgorithmic instantiationsexperimental evaluation
发现论文，激发创造
  • 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

  • 多摄像头监控视频异常检测的 MIL 方法

    本文介绍了一个基于 MC-MIL 的异常检测算法，该算法结合了多实例学习和多摄像机视角，以处理监控视频中标签不足、遮挡和混杂问题，并在多摄像机统一损失函数的基础上使用 Sultani 的 MIL 排名函数，以在多相机视角下检测异常事件

    Jul, 2023

  • 基于注意力机制的深度多示例学习

    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

  • 监控视频中的现实世界异常检测

    该论文提出了一种通过深度多实例评级框架利用弱标记训练视频来学习异常的方法，并介绍了一个包括正常和异常视频的新型数据集，该数据集用于一般的异常检测和 13 个异常活动的识别任务。实验结果表明该方法显著提高了异常检测的性能。

    Jan, 2018

  • 多示例学习中的再现性：算法单元测试的案例

    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

  • 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

  • 适用于罕见贫血疾病分类的异常感知多实例学习

    本文提出了一种可解释的池化方法用于多实例学习，该方法利用负包的实例级信息（即健康个体的同质良性细胞），提高了异常实例的贡献度，从而解决了在罕见贫血疾病分类中缺乏训练数据和实例级注释等问题，并优于标准 MIL 分类算法并提供了其决策背后的有意义的解释。

    Jul, 2022

  • TreeMIL: 多实例学习框架用于时间序列异常检测与不精确监督

    这篇研究提出了一种基于树的多示例学习框架（TreeMIL），用于解决时间序列异常检测中的集体异常问题，并在七个公共数据集和八种基线方法上进行实验证明，相较于先前最先进的方法，TreeMIL 的 F1 得分平均提高了 32.3%。

    Jan, 2024

  • 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

  • 利用图神经网络进行多实例学习

    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