具有跨包依赖的序列数据的多示例学习
机器学习
2020-06-15 v2
摘要
在针对序列数据的多示例学习（MIL）问题中，包内的实例是序列。在一些诸如生物信息学的现实应用中，随机比较一对序列没有意义。事实上，每个实例可能与其他包中的实例具有结构和/或功能关系。因此，分类任务应考虑到这种跨包关系。在本工作中，我们提出两种用于序列数据分类的新型 MIL 方法，名为 ABClass 和 ABSim。ABClass 从相关实例中提取基序（motifs）并用它们编码序列。然后应用判别分类器为每组相关序列计算部分分类结果。ABSim 使用相似性度量来区分相关实例并计算得分矩阵。对于两种方法，均应用聚合方法以生成最终分类结果。我们将两种方法应用于解决细菌电离辐射抗性（Ionizing Radiation Resistance）预测问题。所提方法的实验结果令人满意。
引用
@article{arxiv.1602.00163,
title = {Multiple instance learning for sequence data with across bag dependencies},
author = {Manel Zoghlami and Sabeur Aridhi and Mondher Maddouri and Engelbert Mephu Nguifo},
journal= {arXiv preprint arXiv:1602.00163},
year = {2020}
}