基于相异度集成的多示例学习
机器学习
2016-07-12 v1 机器学习
摘要
在多示例学习中，对象是特征向量的集合（包），而不是单个特征向量。本文讨论如何最好地表示这些包。两种标准方法是使用包与原型包之间的（不）相似性，或包与原型示例之间的（不）相似性。第一种方法产生由训练包数量决定的相对低维表示，而第二种方法产生由训练集中示例总数决定的相对高维表示。本文提出了一种介于两者之间的第三种方法，它连接了两种方法并综合了它们的优势。我们的分类器受随机子空间集成的启发，将示例子集定义的相异度空间的子空间作为原型。我们提供了使用这种集成的指南，并在多个多示例学习问题上展示了最先进的性能。
引用
@article{arxiv.1402.1349,
title = {Dissimilarity-based Ensembles for Multiple Instance Learning},
author = {Veronika Cheplygina and David M. J. Tax and Marco Loog},
journal= {arXiv preprint arXiv:1402.1349},
year = {2016}
}
备注
Submitted to IEEE Transactions on Neural Networks and Learning Systems, Special Issue on Learning in Non-(geo)metric Spaces