正未标记包多示例学习的凸形式化
机器学习
2018-05-02 v3
摘要
多示例学习(MIL)是传统监督学习问题的一个变体，其中数据（称为包）由子元素（称为示例）组成，且仅有包标签可用。MIL有诸多应用，如基于内容的图像检索、文本分类和医学诊断。以往多数MIL工作假设训练包完全标记。然而在实际场景中往往难以获得足够数量的标记包，而存在大量未标记包。一种称为PU学习（正类和未标记学习）的框架可解决此问题。本文提出一种凸PU学习方法来求解MIL问题。实验表明，相比现有的PU-MIL方法，所提方法以显著更低的计算代价取得了更优性能。
引用
@article{arxiv.1704.06767,
title = {Convex Formulation of Multiple Instance Learning from Positive and Unlabeled Bags},
author = {Han Bao and Tomoya Sakai and Issei Sato and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1704.06767},
year = {2018}
}