一种极其简单的神经多示例分类方法
机器学习
2019-10-29 v1 机器学习
摘要
多示例学习 (Multiple Instance Learning, MIL) 是一种弱监督学习范式，可对标签仅可用于称为包 (bag) 的示例组的机器学习问题建模。一个正包可能包含一个或多个正例，但不知包中哪些示例为正。负包中的所有示例均属于负类。此类问题频繁出现于计算机视觉、医学图像处理和生物信息学领域。文献中已提出许多基于神经网络的 MIL 解决方案，然而几乎都依赖于在架构中引入专门的模块与连接。本文提出一种新颖且高效的神经网络多示例学习方法。我们不做架构改动，而是提出一种简单的包级排序损失函数，可在任意神经架构中实现多示例分类。我们已在流行的 MIL 基准数据集上证明了所提方法的有效性。此外，我们在用于建模源自知名 MNIST 数据集的 MIL 问题的卷积神经网络中测试了方法性能。结果表明，尽管更为简单，我们所提方案在实际场景中可与文献中现有方法媲美或更优。所有实验的 Python 代码文件见 https://github.com/amina01/ESMIL。
引用
@article{arxiv.1905.01947,
title = {An embarrassingly simple approach to neural multiple instance classification},
author = {Amina Asif and Fayyaz ul Amir Afsar Minhas},
journal= {arXiv preprint arXiv:1905.01947},
year = {2019}
}
备注
7 pages