基于shapelet的多示例学习的理论与算法
机器学习
2020-10-14 v3 机器学习
摘要
我们提出多示例学习(MIL)的一种新形式化，其中数据单元由称为包的一组实例构成。目标是基于与“shapelet”(或模式)的相似性找到包的良好分类器，其中包与shapelet的相似性为包中实例与shapelet相似性的最大值。在先前工作中，一些训练实例被选作shapelet而无理论依据。在我们的形式化中，我们使用所有可能从而无穷多的shapelet，得到更丰富的分类器类。我们表明该形式化是可处理的，即可通过线性规划提升(LPBoost)归约为有限(实为多项式)规模的凸差(DC)规划。我们的理论结果也为先前某些工作的启发式提供了依据。所提算法的时间复杂度高度依赖于训练样本中全体实例集合的大小。为应用于含大量实例的数据，我们还提出一种不损失理论保证的算法启发式选项。我们的实证研究表明，我们的算法在时间序列分类的shapelet学习任务及各类MIL任务上均一致工作，精度与现有方法相当。此外，我们表明所提启发式使我们能以合理计算时间取得结果。
引用
@article{arxiv.2006.01130,
title = {Theory and Algorithms for Shapelet-based Multiple-Instance Learning},
author = {Daiki Suehiro and Kohei Hatano and Eiji Takimoto and Shuji Yamamoto and Kenichi Bannai and Akiko Takeda},
journal= {arXiv preprint arXiv:2006.01130},
year = {2020}
}
备注
The full version of this paper is published in Neural Computation. arXiv admin note: substantial text overlap with arXiv:1811.08084