示例选择的多示学习.docVIP

HYPERLINK /search/srchabstract.jsp?tp=arnumber=5557878queryText%3DMILIS%3A+Multiple+Instance+Learning+with+Instance+Selection%26openedRefinements%3D*%26searchField%3DSearch+All MILIS: Multiple Instance Learning with Instance Selection Fu, Z.; Robles-Kelly, A.; Zhou, J.;  HYPERLINK /xpl/RecentIssue.jsp?punumber=34 Pattern Analysis and Machine Intelligence, IEEE Transactions on Volume: PP , HYPERLINK /xpl/tocresult.jsp?isnumber=4359286 Issue: 99 Digital Object Identifier: HYPERLINK /10.1109/TPAMI.2010.155 \t blank 10.1109/TPAMI.2010.155 Publication Year: 2010 , Page(s): 1 - 1 IEEE Early Access HYPERLINK /search/srchabstract.jsp?tp=arnumber=5557878queryText%3DMILIS%3A+Multiple+Instance+Learning+with+Instance+Selection%26openedRefinements%3D*%26searchField%3DSearch+All Abstract ?|? Full Text: HYPERLINK /stamp/stamp.jsp?tp=arnumber=5557878 PDF?(1453 KB)? 这篇文章讲的是多示例学习。 所谓的多示例就是指，每个样本有多个实例（）{}组成，一个样本实际上是很多的集合（）。 作者所设计的方法用下面这个图可以全部概括出来了： C. ClassificationD.B. Initial Instance SelectionA. Bag-Level Feature C. Classification D. B. Initial Instance Selection A. Bag-Level Feature Representation A. A. Bag-Level Feature Representation 首先，我们介绍所谓的Feature Mapping，就是用{ , }，把一个bag 映射成一个矢量： 这样做的缺点是用所有的，太多了，映射成的矢量维数太高了，算起来太麻烦。 作者说：不用，用我的{ }，只每个Bag只取一个instance作为IP，放在IPs里来映射个： 于是乎： 这样一个B_i就变成了一个n维矢量，我们用一个SVM来分类就可以了。 这篇文章的问题就是：1.如何为每个选择一个放在中？ 2.如何训练一个合适的SVM来分类？ B. B. Initial Instance Selection 为了回答上面第一个问题，作者先初步地选择一些。 在multiple instance learning中有个特点，就是positive bag吧，里面的instance 有positive 也有negative的，而，所以，关键问题是如何把哪些是positive的找出来。 如果你是小虾，肯定会想，建立一个positive instance的概率模型，然后算算看每个instance的概率，把概率最大的那些选出来。蠢呀！你训练样本中哪些是positive instance都不知道，怎么建立概率模型？ 作者的聪明之处在于：先建立： 这里用的是技术 然后把些概率最小，不就最可能是正样本；然后概率最大的，不就最可能是负样本吗？1. 对每个，我们 ，作为 2. 而对每个，我们就挑，作为IP。 这样就初步地选出了IPs。 这一步，用的是逆向思维。 C. Classification C. Classification 有了， 把表达成矢量之后，我们训练一个SVM来分类： 好了，到这里，让我们再仔细看看上面那幅图： 原来是迭代的： 1.选择 ,形成新的矢量； 2. 用新的矢量训练SVM 好了，现在问题是，训练好了SVM，如何选择一个更好的集合呢？ D. Instance Update D. Instance Update 如何没每个选一个呢？换言之，在的示例中，究竟该选