应用于遥感的多示例回归中基于集合的学习方法

本文提出一种解决多示例回归（multiple instance regression, MIR）问题的新方法。当数据为一袋袋集合、每袋由对应同一唯一实值标签的多个示例构成时，会出现该问题。我们的目标是训练一个回归模型，将未见袋中的示例映射到其唯一标签。这种 MIR 设定常见于遥感应用，其中测量值变异性高，而被估计量的地理变异性低。与多数竞争方法不同，我们的方法不假设每袋中存在一个对标签负责的“主要示例”。相反，我们将每袋视为示例的一个集合（即无序序列），并利用每袋中的所有示例学习将每袋映射到其唯一标签。这是通过实现一种由特定类型注意力机制表征的序不变操作来完成的。该方法非常灵活，既不需要领域知识，也不对每袋内示例的分布做任何假设。我们在五个真实世界数据集上测试了算法，并在其中三个数据集上超越了以往的 state-of-the-art。此外，我们通过为每袋添加各特征的矩作为额外特征来扩充特征空间，并表明虽然一阶矩带来更高精度，但存在收益递减。