用于定量肌电图的生成式多示例学习模型

Tameem Adel; Benn Smith; Ruth Urner; Daniel Stashuk; Daniel J. Lizotte

用于定量肌电图的生成式多示例学习模型

机器学习 2013-09-27 v1 机器学习

作者: Tameem Adel , Benn Smith , Ruth Urner , Daniel Stashuk , Daniel J. Lizotte

摘要

我们提出了一项关于将生成式建模方法用于多示例学习 (Multiple-Instance Learning, MIL) 问题的综合研究。在 MIL 中，学习器接收被分组为包的训练实例，且仅拥有包的标签（这些标签可能不适用于所包含的实例）。我们的工作源于利用肌肉内检测到的运动单元电位序列 (MUPTs) 集合来辅助神经肌肉疾病诊断的任务，该任务可转化为 MIL 问题。我们的方法为肌肉分类问题提供了最先进的解决方案。通过在通用框架中引入和分析用于 MIL 的生成式模型，并考察多种模型结构和组件，我们的工作也充当了 MIL 任务建模的方法论指南。我们在 MUPT 数据集和 MUSK1 数据集（最常用的 MIL 基准之一）上评估了我们提出的方法。

关键词

生成式建模多示例学习定量肌电图运动单元电位序列肌肉分类神经肌肉疾病 musk1 数据集

引用

@article{arxiv.1309.6811,
  title  = {Generative Multiple-Instance Learning Models For Quantitative Electromyography},
  author = {Tameem Adel and Benn Smith and Ruth Urner and Daniel Stashuk and Daniel J. Lizotte},
  journal= {arXiv preprint arXiv:1309.6811},
  year   = {2013}
}

备注

Appears in Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (UAI2013)

用于定量肌电图的生成式多示例学习模型

摘要

关键词

引用

备注

相关论文