带注意力机制的嵌套多示例学习
机器学习
2022-02-18 v3 计算机视觉与模式识别
摘要
强监督学习需要在实例层面详细知晓真实标签，而在许多机器学习应用中这是一大缺陷。多示例学习（MIL）是一种流行的弱监督学习方法，其中真实标签在实例层面不可用，仅在实例包层面可用。然而，有时问题性质需要更复杂的描述，其中不同层面的包中包嵌套架构可捕捉底层关系，如相似实例被归在一起。预测实例或内部包的潜在标签可能与预测最终包中包标签同样重要，但在直接的嵌套设定中会丢失。我们提出一种嵌套多示例带注意力（NMIA）模型架构，将嵌套概念与注意力机制结合。我们表明NMIA在简单场景中表现与常规MIL相当，并能把握复杂场景，提供不同层面潜在标签的洞察。
引用
@article{arxiv.2111.00947,
title = {Nested Multiple Instance Learning with Attention Mechanisms},
author = {Saul Fuster and Trygve Eftestøl and Kjersti Engan},
journal= {arXiv preprint arXiv:2111.00947},
year = {2022}
}
备注
Submitted to ICIP 2022