一种用于改进多示例学习的可视化挖掘方法
人机交互
2021-12-22 v2 机器学习
摘要
多示例学习（MIL）是机器学习的一种范式，旨在对一组（包）对象（示例）进行分类，仅对包赋予标签。该问题常通过选取一个示例代表每个包，将 MIL 问题转化为标准监督学习来解决。可视化可作为一种有用工具，通过将用户知识引入分类过程来评估学习场景。考虑到当前可视化技术无法处理多示例学习这一范式，我们提出一种称为 MILTree 的基于多尺度树的可视化方法以支持 MIL 问题。树的第一层表示包，第二层表示属于各包的示例，使用户能以直观方式理解 MIL 数据集。此外，我们提出两种新的 MIL 示例选择方法，可进一步帮助用户改进模型。我们的方法可处理二分类与多分类场景。实验中采用 SVM 构建分类器。在 MILTree 布局支持下，通过更改由原型示例构成的训练集更新了初始分类模型。实验结果验证了方法的有效性，表明 MILTree 的可视化挖掘可支持在 MIL 场景中探索与改进模型，且我们的示例选择方法在大多数情况下优于现有替代方法。
引用
@article{arxiv.2012.07257,
title = {A Visual Mining Approach to Improved Multiple-Instance Learning},
author = {Sonia Castelo and Moacir Ponti and Rosane Minghim},
journal= {arXiv preprint arXiv:2012.07257},
year = {2021}
}