多示例学习中单类SVM的复杂性
机器学习
2016-03-17 v1
摘要
在传统的多示例学习（MIL）中，需要正包和负包来学习预测函数。然而，获知每个包（正或负）的标签需要很高的人工成本。只有正包包含我们的关注对象（正实例），而负包由噪声或背景（负实例）组成。因此我们不希望花费太多去标注负包。与我们的期望相反，几乎所有现有的MIL方法除了正包外还需要足够的负包。本文中，我们提出一种称为“正多示例”（PMI）的算法，该算法仅给定一组正包来学习分类器。因此负包的标注在我们的方法中变得不必要。PMI基于如下假设构建：正包中未知的正实例彼此相似，并在特征空间中构成一个紧致簇，而负实例位于该簇之外。实验结果表明，在基准和真实数据集上，PMI取得的性能接近或略差于传统MIL算法。然而，与传统的MIL算法相比，PMI中的训练包数量显著减少。
引用
@article{arxiv.1603.04947,
title = {On the Complexity of One-class SVM for Multiple Instance Learning},
author = {Zhen Hu and Zhuyin Xue},
journal= {arXiv preprint arXiv:1603.04947},
year = {2016}
}