一种用于多示例学习的袋到类散度方法
机器学习
2018-10-16 v2 机器学习
摘要
在多示例 (MI) 学习中，每个对象（袋）由多个特征向量（示例）组成，最常见被视为多维空间中的点集。另一种观点是，示例是对应概率分布的随机向量的实现，而袋是分布而非实现。在 MI 分类中，训练集中的每个袋都有类标签，但示例无标签。通过引入概率分布空间到袋级分类问题，可应用概率分布之间的不相似性（散度）。袋到袋的 Kullback-Leibler 信息渐近地是最优分类器，但 MI 训练集典型的稀疏性是一障碍。我们引入袋到类散度到 MI 学习，强调使同类袋不同的随机向量的层次性质。我们提出袋到类散度的两个性质，以及针对稀疏训练集的一个附加性质。
引用
@article{arxiv.1803.02782,
title = {A bag-to-class divergence approach to multiple-instance learning},
author = {Kajsa Møllersen and Jon Yngve Hardeberg and Fred Godtliebsen},
journal= {arXiv preprint arXiv:1803.02782},
year = {2018}
}