用于多示例学习的确定性池化
计算机视觉与模式识别
2020-08-25 v1
摘要
多示例学习是一种弱监督学习形式，其中数据被组织为称为包（bag）的示例集合，每个包分配一个标签。包的类别预测通过对示例预测或嵌入施加置换不变池化算子从多个示例中导出。我们提出一种称为\textbf{确定性池化（Certainty Pooling）}的新池化算子，它将模型确定性纳入包预测，从而得到更鲁棒且可解释的模型。我们在基于 MNIST 的低证据比包的受控实验以及真实组织病理学数据集 Camelyon16 上，将我们提出的方法与其他池化算子进行比较。我们的方法在包级与示例级预测上均优于其他方法，尤其在仅有小型训练集可用时。我们讨论了该方法背后的原理及其对这类数据集具有优越性的原因。
引用
@article{arxiv.2008.10548,
title = {Certainty Pooling for Multiple Instance Learning},
author = {Jacob Gildenblat and Ido Ben-Shaul and Zvi Lapp and Eldad Klaiman},
journal= {arXiv preprint arXiv:2008.10548},
year = {2020}
}