实例分类问题中多示例主动学习的包级聚合
计算机视觉与模式识别
2022-05-10 v1
摘要
越来越多的应用（例如视频监控和医学图像分析）需要从大量弱标注数据中训练识别系统，同时允许与领域专家进行一些有针对性的交互以改进训练过程。在这种情况下，主动学习 (AL) 可以通过查询专家以提供最具信息量的实例标签，来降低训练分类器的标注成本。本文重点关注多示例学习 (MIL) 中实例分类问题的 AL 方法，其中数据被排列成称为包的集合，且仅有弱标签。大多数 AL 方法关注单示例学习问题。这些方法不适用于 MIL 问题，因为它们无法考虑数据的包结构。在本文中，我们为多示例主动学习 (MIAL) 提出了新的包级实例信息量聚合方法。聚合信息量方法基于分类器不确定性识别最具信息量的实例，并查询包含最多信息的包。另一种称为基于聚类聚合采样的方法，在实例空间中对数据进行层次聚类。通过考虑包标签、推断的实例标签以及簇中尚未发现的标签比例来评估实例的信息量。在使用来自多个应用领域的基准数据进行的大量实验中，两种提出的方法均显著优于参考方法。结果表明，使用适当的策略解决 MIAL 问题，可以在达到与单示例 AL 方法相同性能水平的情况下显著减少所需的查询次数。
引用
@article{arxiv.1710.02584,
title = {Bag-Level Aggregation for Multiple Instance Active Learning in Instance Classification Problems},
author = {Marc-André Carbonneau and Eric Granger and Ghyslain Gagnon},
journal= {arXiv preprint arXiv:1710.02584},
year = {2022}
}