mil-benchmarks：深度多示例学习技术的标准化评估
机器学习
2021-05-05 v1
摘要
多示例学习是弱监督学习的一个子集，其中标签应用于实例集合而非实例本身。在标准假设下，仅当集合中至少存在一个正实例时，该集合才为正。本文介绍了一系列由 MNIST、Fashion-MNIST 和 CIFAR10 生成的多示例学习基准。这些基准测试标准、存在、缺失与复杂假设，并为未来基准的分发提供框架。我实现并评估了若干多示例学习技术针对这些基准的表现。此外，我评估了 Noisy-And 方法在标签噪声下的表现，发现不同数据集结果不一。模型在 TensorFlow 2.4.1 中实现，并可于 GitHub 获取。基准可通过 PyPi 以 mil-benchmarks 获取，亦可于 GitHub 获取。
引用
@article{arxiv.2105.01443,
title = {mil-benchmarks: Standardized Evaluation of Deep Multiple-Instance Learning Techniques},
author = {Daniel Grahn},
journal= {arXiv preprint arXiv:2105.01443},
year = {2021}
}