基于变分自编码器的非独立同分布多示例学习用于预测示例与包标签
机器学习
2021-05-05 v1 人工智能
摘要
多示例学习是一种弱监督学习。它处理的数据为一组包、每个包为一组示例的任务。仅能观测到包标签，而示例标签未知。多示例学习的一个重要优势在于，通过将对象表示为示例的包，能够保留对象各部分之间的固有依赖关系。遗憾的是，大多数现有算法假设所有示例为独立同分布（identically and independently distributed），这违背了真实场景，因为同一包内的示例很少独立。本工作中，我们提出多示例变分自编码器（MIVAE）算法，该算法显式建模示例间的依赖关系，用于预测包标签与示例标签。在多个多示例基准和端到端医学影像数据集上的实验结果表明，MIVAE 在示例标签与包标签预测任务上均优于当前最优（state-of-the-art）算法。
引用
@article{arxiv.2105.01276,
title = {Non-I.I.D. Multi-Instance Learning for Predicting Instance and Bag Labels using Variational Auto-Encoder},
author = {Weijia Zhang},
journal= {arXiv preprint arXiv:2105.01276},
year = {2021}
}
备注
To appear in Proceedings of the 30th International Joint Conference on Artificial Intelligence (IJCAI-21)