用于学习多数标签的计数网络

本文提出了一个关于多类别多个实例学习(MIL)的新问题，称为学习多数标签(LML)。在LML中，数据包中实例的多数类别被指定为数据包的标签。LML旨在利用数据包级别的多数类别对实例进行分类。该问题在 various 应用中具有重要价值。现有的MIL方法不适用于LML，因为聚合置信度可能导致数据包级别标签与通过计数每个类别实例数获得的标签之间不一致。这可能导致错误的实例级分类。我们提出了一个计数网络，通过计数每个类别的实例数来产生估计的数据包级别多数标签。这使得网络输出的多数类别与通过计数实例数获得的多数类别之间的一致性。实验结果表明，我们的计数网络在四个数据集上优于传统MIL方法。代码已公开available at https://github.com/Shiku-Kaito/Counting-Network-for-Learning-from-Majority-Label。