适用于任意假设类的多示例学习
机器学习
2015-03-19 v3 机器学习
摘要
在称为多示例学习（MIL）的监督学习设定中，样本是示例的包，包标签是其包含的示例标签的函数。通常，这个函数是布尔“或”。学习器观察一批包及其包标签，但不知道决定包标签的示例标签。然后要求学习器基于样本给出包的分类规则。MIL 有众多应用，许多启发式算法已成功用于此问题，每种算法都针对特定设定或应用进行了调整。在这项工作中，我们为 MIL 提供了一个统一的理论分析，该分析适用于任意底层假设类，无论具体应用或问题领域如何。我们证明，对于任意底层假设类，MIL 的样本复杂度仅多对数依赖于包的大小。此外，我们引入了一种新的 MIL 的 PAC 学习算法，该算法使用常规监督学习算法作为预言机。我们证明，高效的 MIL 的 PAC 学习可以从任何处理单边误差的高效非 MIL 监督学习算法生成。所得算法的计算复杂度仅多项式依赖于包的大小。
引用
@article{arxiv.1107.2021,
title = {Multi-Instance Learning with Any Hypothesis Class},
author = {Sivan Sabato and Naftali Tishby},
journal= {arXiv preprint arXiv:1107.2021},
year = {2015}
}
备注
Fixed typos and added some explanations