10、解决类别标签缺失问题的多示例学习方法

解决类别标签缺失问题的多示例学习方法

1. 引言

在监督学习中，传统的算法依赖于标记的训练数据，其中准确的标签对于分类器的学习至关重要。然而，在现实世界的某些场景中，可能无法获得实例级别的准确类别标签，或者获取这些标签的成本过高。这时，问题自然地被表述为对实例群体（包）进行分类。为了应对这种情况，多示例学习（MIL，Multi-Instance Learning）算法应运而生，这类算法中的标签是在包级别而不是实例级别上提供的。

2. 多示例学习的必要性

2.1 现实世界中的挑战

在许多实际应用中，获取精确的类别标签可能是昂贵或不切实际的。例如，在医学图像分析中，专家可能无法全面准确地标记图像中的所有异常，或者标记可能是物体内部的一个像素，或一个近似边界框，而不是完美的轮廓。此外，专家可能简单地将图像/患者标记为异常，而不标记出异常的具体区域。这些情况在标签中引入了一些噪声，使得传统的监督学习方法难以适用。

2.2 多示例学习的应用

多示例学习适用于许多问题，特别是在计算机辅助诊断（CAD）和图像分类领域。例如，D. Wu和Boyer（2009）在CAD中应用了MIL，Fung等人（2007）也在图像分类中使用了MIL。MIL在处理标签缺失或噪声标签的问题上展现了独特的优势。

3. 多示例学习的基本概念

3.1 定义

多示例学习（MIL）是指在一个包中包含多个实例，而包的标签反映了包中是否存在正例。具体来说，如果一个包中至少有一个正例，则该包被标记为正类；否则，标记为负类。包中的实例标签通常是未知的。

3.2 问题描述 <