多示例多标签框架下的新颖性检测
机器学习
2013-12-02 v1
摘要
新颖性检测在机器学习和信号处理中起着重要作用。本文研究了一种新设置下的新颖性检测，其中数据对象表示为实例包并关联多个类标签，称为多示例多标签（MIML）学习。与 MIML 中通常假设包中的每个实例都属于已知类之一相反，在新颖性检测中，我们关注包可能包含新类实例的场景。目标是确定新包中的任何给定实例是属于已知类还是新类。在 MIML 设置中检测新颖性捕捉了许多现实现象并具有许多潜在应用。例如，在标记图像集合中，标签可能仅覆盖图像中存在的一部分对象。发现其类别尚未被标记的对象对于为新对象类征求标签是有用的。为了解决这一新问题，我们提出了一个用于检测新类实例的判别框架。实验证明了所提方法的有效性，并揭示了训练包中存在未标记的新实例有助于在测试阶段检测此类实例。
引用
@article{arxiv.1311.6211,
title = {Novelty Detection Under Multi-Instance Multi-Label Framework},
author = {Qi Lou and Raviv Raich and Forrest Briggs and Xiaoli Z. Fern},
journal= {arXiv preprint arXiv:1311.6211},
year = {2013}
}