【论文泛读】2017-1-Dynamic Programming for Instance Annotation in Multi-instance Multi-label Learning

题目

多实例多标签学习中实例注释的动态规划（Dynamic Programming for Instance Annotation
in Multi-instance Multi-label Learning）

Bib

@article{
   Pham:2017:23812394,
  author={
   Anh T Pham and Raviv Raich and Xiaoli Z Fern},
  title={
   Dynamic programming for instance annotation in multi-instance multi-label learning},
  journal={
   {
   IEEE} transactions on pattern analysis and machine intelligence},
  volume={
   39},
  pages={
   2381--2394},
  year={
   2017},
  publisher={
   IEEE}
}

摘要

为分类标记数据需要大量的人力。为了降低标记成本，而不是标记每个实例，一组实例（包）由单个包标签标记。然后使用计算机算法来推断袋子中每个实例的标签，这一过程称为实例注释。由于实例标签的模糊性，这项任务具有挑战性。
我们为实例注释问题提出了一个判别概率模型，并基于最大似然方法引入了一个用于推理的期望最大化框架。对于许多概率方法，给定其包标签的实例标签后验概率的蛮力计算，是包中实例数量的指数。我们的贡献是一种动态规划方法，用于计算与实例数量呈线性关系的后验(posterior)。我们在鸟鸣、图像注释和活动识别领域使用基准数据集和真实世界数据集来评估我们的方法。在许多情况下，所提出的框架在实例标签预测和包标签预测方面都优于当前最先进的 MIML 学习方法，有时甚至是显着的。

方法概述

我们开发了一个具有有效推理方法的判别概率模型，该方法考虑了每个包中的所有实例。
（1）首先，我们针对实例标注问题提出了判别 ORed-logistic 回归模型。
（2）其次，我