示例选择多示例学习.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. Classification D. B. Initial Instance Selection A. Bag-Level Feature Representation 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. 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??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 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 如何没每个选一个呢？换言之，在的示例中，究竟该选择哪个？ 这里，就是中选出来到那个的序号： 一共有n个,我们把所有放在一起，作为。这就是我们要求的结果了。 现在是，在迭代中，如何根据(t)中的SVM系数,以及，来确定下一次的呢？ 很简单，如果