利用唯一类计数进行弱监督聚类
计算机视觉与模式识别
2020-01-28 v2 机器学习
摘要
本文提出了一种基于弱监督学习的聚类框架。作为该框架的核心，我们引入了一种基于称为唯一类计数（）的包级标签的新型多示例学习任务， 是包内所有实例中不同类别的数量。在该任务中，模型训练期间不需要包内各个实例的标注。我们从数学上证明，即使训练时未给出各个实例的标注，拥有完美的 分类器也能对包内各个实例进行完美聚类。我们构建了基于神经网络的 分类器，并通过实验表明，采用我们的弱监督 分类器的框架其聚类性能可与已知所有实例标签的全监督学习模型相媲美。此外，我们测试了该框架在组织学淋巴结切片中乳腺癌转移的语义分割这一真实世界任务上的适用性，并表明我们的弱监督框架的性能与全监督 Unet 模型的性能相当。
引用
@article{arxiv.1906.07647,
title = {Weakly Supervised Clustering by Exploiting Unique Class Count},
author = {Mustafa Umit Oner and Hwee Kuan Lee and Wing-Kin Sung},
journal= {arXiv preprint arXiv:1906.07647},
year = {2020}
}
备注
Published as a conference paper at ICLR 2020