基于多数标签学习：多类别多实例学习中的新问题
计算机视觉与模式识别
2025-09-05 v1
摘要
本文提出一种新颖的多类别多实例学习（Multiple-Instance Learning, MIL）问题，称为基于多数标签学习（Learning from Majority Label, LML）。在LML中，包中实例的多数类别被指定为包级别标签。LML的目标是训练一个分类模型，利用多数标签估计每个实例的类别。该问题在多种应用中具有重要价值，包括病理图像分割、政治投票预测、客户情感分析和环境监测。为解决LML问题，我们提出一种计数网络，旨在产生包级别的多数标签，通过计算每个类别中实例的数量来实现。此外，实验分析LML的特征，发现多数类别比例高的包有助于学习。基于此结果，我们开发了多数比例增强模块（Majority Proportion Enhancement Module, MPEM），通过删除包内少数类别实例来增加多数类别的比例。实验表明，所提方法在四个数据集上优于常规MIL方法。此外，消融研究确认了每个模块的有效性。代码已提供。
引用
@article{arxiv.2509.04023,
title = {Learning from Majority Label: A Novel Problem in Multi-class Multiple-Instance Learning},
author = {Shiku Kaito and Shinnosuke Matsuo and Daiki Suehiro and Ryoma Bise},
journal= {arXiv preprint arXiv:2509.04023},
year = {2025}
}
备注
35 pages, 9 figures, Accepted in Pattern recognition