从小规模包中快速从标签比例学习
机器学习
2022-11-01 v4
摘要
在从标签比例学习（LLP）中，实例被分组为包（bag），任务是给定训练包中的相对类别比例来学习实例分类器。当获取单个实例标签不可能或代价高昂时，LLP 很有用。本工作中，我们关注小包情形，其允许设计一种显式考虑所有一致实例标签组合的算法。具体地，我们提出一种 EM 算法，在优化通用神经网络实例分类器与融入包级标注之间交替。使用两个不同图像数据集，我们实验比较了该方法与基于正态近似的方法及两种已有 LLP 方法。结果显示我们的方法更快收敛到可比或更好的解。
引用
@article{arxiv.2110.03426,
title = {Fast learning from label proportions with small bags},
author = {Denis Baručić and Jan Kybic},
journal= {arXiv preprint arXiv:2110.03426},
year = {2022}
}
备注
Accepted to ICIP 2022