面向多示例部分标签学习的消歧注意力嵌入
机器学习
2023-09-29 v2
摘要
在许多现实任务中，所关注的对象可表示为一个多示例包，并关联一个候选标签集，该集由一个真实标签与若干假阳性标签组成。多示例部分标签学习（MIPL）是处理此类任务的一种学习范式，并已取得良好性能。现有 MIPL 方法遵循示例空间范式，将包的增广候选标签集分配给每个示例，并从示例级标签聚合出包级标签。然而，该方案可能非最优，因为全局包级信息被忽略，且包的预测标签对负示例的预测敏感。本文研究一种替代方案，将多示例包嵌入为单一向量表示。相应地，我们提出了一种直观的算法 DEMIPL，即面向多示例部分标签学习的消歧注意力嵌入。DEMIPL 采用消歧注意力机制将多示例包聚合成单一向量表示，随后采用基于动量的消歧策略从候选标签集中识别真实标签。此外，我们引入了一个用于结直肠癌分类的真实世界 MIPL 数据集。在基准与真实世界数据集上的实验结果验证了 DEMIPL 相对于所对比的 MIPL 与部分标签学习方法的优越性。
引用
@article{arxiv.2305.16912,
title = {Disambiguated Attention Embedding for Multi-Instance Partial-Label Learning},
author = {Wei Tang and Weijia Zhang and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2305.16912},
year = {2023}
}
备注
Accepted at NeurIPS 2023