面向实例标签预测与分布外泛化的多实例因果表示学习
机器学习
2022-10-06 v3
摘要
多实例学习（MIL）处理以实例包表示的对象，并可从包级监督预测实例标签。然而，由于 MIL 中实例标签不可用，实例级 MIL 算法与有监督学习器之间存在显著的性能差距。大多数现有 MIL 算法通过将多实例包视为有害的模糊性，并借由降低监督不精确性来预测实例标签，从而处理该问题。本工作从新视角研究 MIL，将包视为辅助信息，并利用其从包级弱监督中识别实例级因果表示。我们提出 CausalMIL 算法，其不仅擅长实例标签预测，还通过协同整合 MIL 与可辨识变分自编码器，对分布变化提供鲁棒性。我们的方法基于一个实用且一般的假设：实例潜在表示上的先验分布属于以多实例包为条件的非因子化指数族。在合成与真实世界数据集上的实验表明，我们的方法在实例标签预测与分布外泛化任务上显著优于多种基线。
引用
@article{arxiv.2202.12570,
title = {Multi-Instance Causal Representation Learning for Instance Label Prediction and Out-of-Distribution Generalization},
author = {Weijia Zhang and Xuanhui Zhang and Han-Wen Deng and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2202.12570},
year = {2022}
}
备注
Accepted at NeurIPS 2022