通过变分自编码器进行的深度多示例特征学习

Shabnam Ghaffarzadegan

通过变分自编码器进行的深度多示例特征学习

机器学习 2018-07-09 v1 人工智能机器学习

作者: Shabnam Ghaffarzadegan

摘要

我们描述了一种新颖的弱监督深度学习框架，其结合判别模型与生成模型以在多示例学习(MIL)设定下学习有意义的表示。MIL是一种弱监督学习问题，其中标签与实例组(称为包)相关联，而非与单个实例相关联。为解决MIL问题中由正实例标签不确定性引起的本质挑战，我们使用由变分自编码器(VAEs)正则化的判别模型，以最大化所有实例与负实例的潜表示之间的差异。结果，变分自编码器的隐藏层学习到有意义的表示。该表示可有效用于MIL问题，这通过在标准基准数据集上相较最先进方法更优的性能得以说明。更重要的是，与多数相关研究不同，所提框架可轻松扩展至大规模数据集问题，如音频事件检测与分割任务所示。可视化也证实了潜表示在区分正负类上的有效性。

关键词

多示例学习变分自编码器弱监督学习特征学习深度学习音频事件检测

引用

@article{arxiv.1807.02490,
  title  = {Deep Multiple Instance Feature Learning via Variational Autoencoder},
  author = {Shabnam Ghaffarzadegan},
  journal= {arXiv preprint arXiv:1807.02490},
  year   = {2018}
}

备注

AAAI 2018

通过变分自编码器进行的深度多示例特征学习

摘要

关键词

引用

备注

相关论文