MixBag:面向标签比例学习的袋级数据增强
计算机视觉与模式识别
2023-08-21 v1
摘要
标签比例学习(LLP)是一种有前景的弱监督学习问题。在LLP中,一组实例(袋)具有标签比例,但不提供实例级标签。LLP旨在利用袋的标签比例训练实例级分类器。本文基于初步实验的关键观察——即便实例总数固定,实例级分类准确率随已标注袋数量增加而提升——提出一种用于LLP的袋级数据增强方法MixBag。我们还提出基于统计学理论设计的置信区间损失,以有效利用增强后的袋。据我们所知,这是首次尝试为LLP提出袋级数据增强。MixBag的优势在于可应用于实例级数据增强技术以及任何使用比例损失的LLP方法。实验结果证明了该优势及我们方法的有效性。
引用
@article{arxiv.2308.08822,
title = {MixBag: Bag-Level Data Augmentation for Learning from Label Proportions},
author = {Takanori Asanomi and Shinnosuke Matsuo and Daiki Suehiro and Ryoma Bise},
journal= {arXiv preprint arXiv:2308.08822},
year = {2023}
}
备注
Accepted at ICCV2023