重审多示例神经网络
机器学习
2020-04-08 v1 机器学习
摘要
近年来，神经网络和多示例学习都是人工智能相关研究领域中的热门课题。深度神经网络在监督学习问题中取得了巨大成功，而多示例学习作为一种典型的弱监督学习方法，在计算机视觉、生物特征识别、自然语言处理等许多应用中都很有效。本文重审了使用神经网络解决多示例学习的问题。神经网络对于解决多示例学习问题具有吸引力。多示例神经网络以端到端的方式进行多示例学习，它将包含不同数量示例的包作为输入，直接输出包标签。多示例网络中的所有参数都可以通过反向传播进行优化。我们提出了一种新的多示例神经网络来学习包表示，这与现有专注于估计示例标签的多示例神经网络不同。此外，我们研究了深度学习领域近期发展的技巧在多示例网络中的应用，发现深度监督对于提升包分类准确率是有效的。在实验中，所提出的多示例网络在多个MIL基准测试上达到了最先进或具有竞争力的性能。而且，它在测试和训练上都极其快速，例如，在中等CPU上预测一个包仅需0.0003秒，在MIL数据集上训练也只需几秒钟。
引用
@article{arxiv.1610.02501,
title = {Revisiting Multiple Instance Neural Networks},
author = {Xinggang Wang and Yongluan Yan and Peng Tang and Xiang Bai and Wenyu Liu},
journal= {arXiv preprint arXiv:1610.02501},
year = {2020}
}