基于可训练决策树集成的多示例学习
机器学习
2023-02-14 v1
摘要
针对小样本表格数据下的多示例学习（MIL）问题，提出一种基于随机森林的新模型，称为软树集成MIL（STE-MIL）。考虑了一种新型软决策树，其类似于已知的软斜树，但具有更少的可训练参数。为训练这些树，提出将其转化为近似树函数的特定形式神经网络。还提出利用注意力机制聚合示例和包嵌入（输出向量）。整个STE-MIL模型，包括软决策树、神经网络、注意力机制和分类器，以端到端方式训练。基于表格数据集的数值实验说明了STE-MIL。实现该模型的相应代码已公开可用。
引用
@article{arxiv.2302.06601,
title = {Multiple Instance Learning with Trainable Decision Tree Ensembles},
author = {Andrei V. Konstantinov and Lev V. Utkin},
journal= {arXiv preprint arXiv:2302.06601},
year = {2023}
}