多实例多标记学习与弱标签.docVIP

多实例多标记学习与弱标签* 蜀君阳，元江，周志华 计算机软件新技术国家重点实验室 南京理工大学，南京210023 ，中国 { yangsj ， jiangy ， zhouzh } @ lamda.nju.edu.cn 摘要 多实例多标签学习 (MIML) 处理的数据对象，它们表示的实例一袋和同时与一组类标签相关联。以前的研究通常假设为每个培训的示例中，所有正面标签标签而未加标签的标签则均为负值。在许多实际应用中例如图像表示法中，但是，学习问题经常遭受弱标签 ；就是用户通常标记仅一个部分的正面标签和未加标签的标签并不一定是负面。在此文件中，我们建议的 MIMLwel 方法，工程由假设高度相关标签分享一些常见的情况下，和基础类的袋为每个标签均与大距。实验验证 MIMLwel 的有效性在处理弱标签问题。 1 介绍 传统的监督学习往往假设一个OB-拍摄对象是由一个单一实例所表示，并与相关联的 一类标签。在最近的学习框架，多比如多标记学习（ MIML ） [周和张，2006年， Zhou等， 2012] ，对象是允许被表象由包实例sented与多个关联同时类标签。这个框架已经发现在不同的任务有用的，尤其是那些涉及复杂数据对象，如图像注释[查等人， 2008] ，文 分类[ Zhou等人， 2012] ，视频注释[ Xu等人， 2012] ，声学分类[布里格斯等人， 2012] ，生物信息学formatics [ Li等人， 2009年c ]等。 在许多MIML算法已经被开发过去几年。仅举几例，周和张[2006]亲所带来的MIMLSVM和MIMLBoost由变质MIML到多标记学习和多实例学习，重新spectively ;查等。 [2008] MIML解决问题隐条件随机场;杨等人。 [2009]解决MIML与概率生成模型;阮[ 2010]通过估算实例标签解决MIML问题; *本研究得到了国家自然科学基金（，）的支持，973项目（ 2010CB327903 ）和百度基金（ 181315P00441 ） 。 Briggs等人。 [2012]每个袋子优化rankloss 。 MIML公制的学习也被研究[ Jin等， 2009] 。所有这些研究假设对于训练样例的标签，正反两方面，都明确地预先给定的;换言之，完整的标签分配给每个列车ING例如可用。 在许多实际应用中，然而，在标签分配用户通常给出，并且它往往是难以预料用户可以指定所有标签为每一个例子。这是很可能的是，例如，在图像注释，用户只标签的用于图像阳性标记，并且因此，一个子集的未标记的标签不一定是负的。此设置所谓弱的标签，这只是研究了在两片在多标记学习工作： Sun等。 [2010 ]提出通过假设相似之处是，该井的方法 补间实例从一组低阶碱衍生相似之处; Bucak等。 [2011]提出了MLR -GL AP- proach通过利用套索组组合排序错误。需要注意的是集中在单实例的数据这两项研究， 而在我们所知，该MIML弱标签设置从未被触及。 MIML直推式学习和半监督学习进行了研究[枫许，在2010年之前， Xu等人，2012] 。两个假定标记MIML实例是有完整的标签分配，而未标记数据没有任何标签信息，这是相关但不同的从标签设置弱，因为在这些设置，一旦我们得到的一个示例标记的标签，我们可以得出结论，所有的未标记的标签是否定的。 在本文中，我们提出了MIMLwel （ MIML与弱标签）的标签设置弱的方法。我们的BA- SIC假设是高度相关的标签通常共享常见的实例，以及皮袋基础类的手段每个标签都带有一个大比分。具体而言，我们首先探索一个特征从一个袋子实例的映射VEC -器，其中每个元素测量包被的程度有一组类似的实例相关联。然后，我们EM-伎俩稀疏预测学的袋子，使标签袋每个标签类手段的最大化。我们formu - 在后期的一般架构的问题，并提供较实用， 古块坐标下降解。的有效性在处理软弱标签问题MIMLwel方法在实验进行验证。 下面我们将介绍mimlwel方法在2节中，然后在3节中我们的实验报告。最后，我们得出结论：本文4节。 2?mimlwel方法在原始MIML设置[周张，2006；周等人。，2012 ]，我们给出一个训练数据集f（X1，Y1；；（2）；2）；：：：；（XM；YM）g，其中西是一袋含镍的情况下，新华富时指数；1；西；2；：：：；西；NIG，彝族=[易；1；：：：；彝族；]?2倍；1gl是含有L标签标签矢量，在彝族；L =?+?1如果LTH标签西是积极的，0否则。请注意，实例西标签；J的（我=1：：：；；M；J?=?1；：：：；Ni）是未知的。然而在MIML弱标签的设置，只有一个子集，标签标记。具体来说，西，我们给出一个标签矢量^彝族=?[