基于注意力的深度多示例学习
机器学习
2018-06-29 v4 机器学习
摘要
多示例学习（MIL）是监督学习的一种变体，其中单个类标签被分配给一个示例包。在本文中，我们将 MIL 问题表述为学习包标签的伯努利分布，其中包标签概率完全由神经网络参数化。此外，我们提出了一种基于神经网络的置换不变聚合算子，它对应于注意力机制。值得注意的是，所提出的基于注意力的算子的应用可洞察每个示例对包标签的贡献。我们通过实验表明，我们的方法在基准 MIL 数据集上取得了与最佳 MIL 方法相当的性能，并且在基于 MNIST 的 MIL 数据集以及两个真实组织病理学数据集上优于其他方法，且不牺牲可解释性。
引用
@article{arxiv.1802.04712,
title = {Attention-based Deep Multiple Instance Learning},
author = {Maximilian Ilse and Jakub M. Tomczak and Max Welling},
journal= {arXiv preprint arXiv:1802.04712},
year = {2018}
}
备注
ICML 2018 paper, code source: https://github.com/AMLab-Amsterdam/AttentionDeepMIL