多示例多标签学习
机器学习
2011-10-28 v4 人工智能
摘要
在本文中，我们提出了MIML（多示例多标签学习）框架，其中每个示例由多个示例描述并与多个类别标签相关联。与传统学习框架相比，MIML框架对于表示具有多重语义含义的复杂对象更为方便和自然。为了从MIML示例中学习，我们基于一种简单的退化策略提出了MimlBoost和MimlSvm算法，实验表明，在MIML框架中解决涉及具有多重语义含义的复杂对象的问题可以获得良好的性能。考虑到退化过程可能会丢失信息，我们提出了D-MimlSvm算法，该算法在正则化框架中直接处理MIML问题。此外，我们表明，即使我们无法访问真实对象，因此无法通过使用MIML表示从真实对象中捕获更多信息，MIML仍然有用。我们提出了InsDif和SubCod算法。InsDif通过将单示例转换为MIML表示进行学习，而SubCod通过将单标签示例转换为MIML表示进行学习。实验表明，在某些任务中，它们能够比直接学习单示例或单标签示例获得更好的性能。
引用
@article{arxiv.0808.3231,
title = {Multi-Instance Multi-Label Learning},
author = {Zhi-Hua Zhou and Min-Ling Zhang and Sheng-Jun Huang and Yu-Feng Li},
journal= {arXiv preprint arXiv:0808.3231},
year = {2011}
}
备注
64 pages, 10 figures; Artificial Intelligence, 2011