面向不平衡数据的多示例学习
机器学习
2018-12-19 v1 计算机视觉与模式识别
机器学习
摘要
在多示例学习（Multi Instance Learning）背景下，我们分析了单示例（SI）学习目标。我们表明，当数据不平衡且分类器族足够丰富时，SI方法是一种有用的学习算法。特别地，我们表明更大的数据不平衡——一种通常被视为负面的性质——实际上意味着算法对包中对象统计依赖性的更好韧性。此外，我们的结果对SI方法在线性分类器设置中的一些已知问题提供了新的认识，并且我们表明这些问题在神经网络设置中显著更不可能发生。我们在合成数据集以及COCO数据集上展示了我们的结果，用于具有源自图像描述的弱图像级标签的补丁分类问题。
引用
@article{arxiv.1812.07010,
title = {Multi Instance Learning For Unbalanced Data},
author = {Mark Kozdoba and Edward Moroshko and Lior Shani and Takuya Takagi and Takashi Katoh and Shie Mannor and Koby Crammer},
journal= {arXiv preprint arXiv:1812.07010},
year = {2018}
}