具有解混杂实例级预测的交互式多示例学习
计算机视觉与模式识别
2022-04-25 v2 机器学习
摘要
当应用多示例学习(MIL)对示例包进行预测时，一个实例的预测精度往往不仅取决于实例本身，还取决于其在对应包中的上下文。从因果推断的视角看，这种包上下文先验充当了混杂因子，并可能导致模型的鲁棒性与可解释性问题。针对该问题，我们提出了一种新颖的交互式多示例学习(IMIL)框架，以实现解混杂的实例级预测。与传统的基于似然的策略不同，我们设计了一种基于因果干预的期望最大化(EM)算法，在训练阶段提供鲁棒的实例选择，并抑制由包上下文先验引起的偏差。在病理图像分析上的实验表明，我们的IMIL方法大幅减少了假阳性，并优于最先进的MIL方法。
引用
@article{arxiv.2204.09204,
title = {Interventional Multi-Instance Learning with Deconfounded Instance-Level Prediction},
author = {Tiancheng Lin and Hongteng Xu and Canqian Yang and Yi Xu},
journal= {arXiv preprint arXiv:2204.09204},
year = {2022}
}
备注
7 pages. Accepted by AAAI2022