qq_43505356的博客

通过应用多实例学习(MIL)算法，解决了涉及蛋白质和图像等复杂数据对象的各种应用。然而，在开放和动态的环境中，很少有MIL算法能够处理出现新类别样本的问题。在这种新兴的新型类别设置中，算法不仅要能够准确地从观察到的类别中分类出样本，而且要能够从新类别中识别出样本。本文针对多示例学习中出现的新类别Novel class(MIEN)问题，从度量学习的角度给出了MIEN的定义。

SMDP

题目An Iterative Instance Selection Based Framework for Multiple-Instance Learning一种基于迭代实例选择的多示例学习框架2018 IEEE 30th International Conference on Tools with Artificial Intelligence -C摘要基于实例选择的模型是一种有效的多示例学习（MIL）框架，它通过将示例（实例包）嵌入到由一些概念（由一些选定实例表示）形成的新特征空间中来解决

集成学习集成学习(ensemble learning)通过构建并结合多个学习器来完成学习任务,有时也被称为多分类器系统(multi-classifier svstem).一般结构:先产生一组“个体学习器”(individual learner)，再用某种策略将它们结合起来.个体学习器通常由一个现有的学习算法从训练数据产生.例如决策树算法、BP神经网络算法等。“同质”（homogeneous）集成：集成中只包含同种类型的个体学习器,例如“决策树集成”中全是决策树,“神经网络集成”中全是神经网络.同质集成中

题目An ensemble approach to multi-view multi-instance learning一种多视图多实例学习的集成方法2017-KBS摘要多视图学习结合了来自多个异构来源的数据，并利用它们的互补信息来构建更准确的模型。多实例学习将示例表示为包含实例集的标记包。由于基数和特征空间不同，不同多实例视图的数据融合不能简单地串联成一组特征。本文提出了一种集成方法，该方法结合了视图学习器并在加权类预测之间寻求共识，以利用来自多个视图的互补信息。重要的是，集成必须处理来自每个

题目Isolation Set-Kernel and Its Application to Multi-Instance Learning隔离集核及其在多示例学习中的应用SIGKDD international conference on knowledge discovery & data mining CCF-A摘要集合级问题与实例级问题一样重要。解决集合级问题的核心是：如何衡量两个集合之间的相似度。本文研究了直接从数据派生的数据相关内核。我们引入了完全依赖于数据分布的 Isolati

标题Multi-Instance Learning with Key Instance Shift具有关键实例转移的多实例学习会议：IJCAI摘要多示例学习 (MIL) 处理每个示例由一组实例表示的任务。如果一个包至少包含一个正实例，则它是正实例，否则为负实例。正面实例也称为关键实例。仅观察到袋子标签，而 MIL 中没有特定的实例标签。以前的研究通常假设训练和测试数据遵循相同的分布，这在许多现实世界的任务中可能会被违反。在本文中，我们解决了关键实例的分布在训练和测试阶段之间变化的问题。我们将此问题

题目Multi-instance Learning with Discriminative Bag Mapping具有判别包映射的多示例学习2018 IEEE Transactions on Knowledge and Data Engineering摘要多示例学习 (MIL) 是解决学习中标签模糊问题的有用工具，因为它允许一组实例共享一个标签。包映射通过实例选择将包转换为新空间中的单个实例，最近引起了广泛关注。迄今为止，大多数现有工作都基于原始空间，使用所有实例进行包映射，并且所选实例不直接与

摘要多实例学习 (MIL) 比传统的监督学习更具通用性和挑战性，因为标签是在包级别给出的。流行的特征映射方法将每个包转换为新特征空间中的一个实例。但是大部分都很难保持包的可区分性，MIL模型不支持自增强。在本文中，我们提出了带有判别袋的多实例集成学习 (ELDB) 算法和两种新技术。包选择技术根据两部分得到一个判别包集（dBagSet）。首先，考虑数据的空间和标签分布，通过判别分析优化包选择过程，得到基本的dBagSet。其次，通过状态和动作转移策略，通过自我强化得到可区分性更好的dbagSet。集成技

题目：CCF A-Loss-Based Attention for Deep Multiple Instance LearningInternational conference on machine learning摘要多实例学习 (MIL) 是监督学习的一种变体，其中将单个类标签分配给一袋实例。在本文中，我们将 MIL 问题描述为学习包标签的伯努利分布，其中包标签概率由神经网络完全参数化。此外，我们提出了一种基于神经网络的置换不变聚合算子，它对应于注意机制。值得注意的是，所提出的基于注意力的算子

摘要多实例学习 (MIL) 是监督学习的推广，它试图从实例包中学习一个独特的分类器。本文解决了文本分类问题的基于迁移学习的多实例方法的问题。为了提供从源任务到目标任务的知识安全迁移，本文提出了一种新方法，称为选择性多实例迁移学习（SMITL），它选择多实例迁移学习将在第一步中工作的情况，并且然后在第二步中构建一个多实例迁移学习分类器。具体来说，在第一步中，我们通过调查两个任务的积极特征的相似性来衡量源任务和目标任务是否相关。在第二步中，我们构建了一种基于迁移学习的多实例方法，如果在第一步中发现两个任务

题目快速多实例多标签学习（Fast Multi-Instance Multi-Label Learning）Bib@article{Huang：2018：26142627, title={Fast multi-instance multi-label learning}, author={Sheng Jun Huang and Wei Gao and Zhi Hua Zhou}, journal={{IEEE} transactions on pattern analysis and ma

题目多实例多标签学习中实例注释的动态规划（Dynamic Programming for Instance Annotationin 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 mult

题目基于 CNN 的多实例多任务学习用于糖尿病患者的辨证(CNN based Multi-Instance Multi-Task Learning for Syndrome Differentiation of Diabetic Patients)Bib@inproceedings{Wang:2018:19051911, author={Ze Yuan Wang and Shi Ding Sun and Josiah Poon and Simon Poon}, title={Cnn based

题目广义多实例学习的判别概率框架（Discriminative Probabilistic Framework for Generalized Multi-Instance Learning）Bib@inproceedings{Anh:2018:22812285, author={Anh T Pham and Raviv Raich and Xiaoli Z Fern and Weng-Keen Wong and Xinze Guan}, title={Discriminative Proba

题目基于非线性扩展的在线多实例学习的早期表情检测（Early Expression Detection via Online Multi- Instance Learning With Nonlinear Extension）摘要基于视频的面部表情识别在过去十年中受到了广泛关注，而早期表情检测（EED）仍然是一个相对较新且具有挑战性的问题。EED 的目标是在表情开始之后和结束之前尽快识别表情。这种及时的能力有许多潜在的应用，从人机交互到安全。最大余量早期事件检测器（MMED）是用于早期事件检测的众所周

题目基于多实例学习的边缘计算ADHD fMRI短时分析方法（ADHD fMRI short-time analysis method for edge computing based on multi-instance learning）摘要物联网技术和边缘计算在医疗领域的应用越来越多，以解决医疗资源不平衡的问题。为了更好地诊断注意力缺陷多动障碍（ADHD），我们提出了一种新的短时诊断技术，可以快速分析患者的功能磁共振成像（fMRI），并协助医生对患者进行远程诊断。与目前的 ADHD fMRI 分析方

1.题目使用多模态数据诊断淋巴细胞增多症的深度多实例学习(Deep Multi-Instance Learning Using Multi-ModalData for Diagnosis of Lymphocytosis)2.摘要我们研究了深度学习最新进展的用途，并在专家混合公式(mixture-of-experts formulation)中提出了一个端到端可训练的多实例卷积神经网络，该公式结合了来自两种类型数据（图像和临床属性）的信息，用于诊断淋巴细胞增多症。卷积网络学习使用嵌入级别方法从血细胞

1.题目：双流（Dual-stream）最大化自注意力多示例学习（Dual-stream Maximum Self-attention Multi-instance Learning）2.摘要多实例学习（MIL）是一种弱监督学习的形式，其中单个类标签被分配给实例包，而实例级标签不可用。在许多实际场景中，训练分类器以准确确定包标签和实例标签是一项具有挑战性但至关重要的任务。例如计算组织病理学。最近，由神经网络完全参数化（fully parameterized）的MIL模型因为其高度的灵活性和优越的性能而

引入1.背景大多数现有的MIL算法只能处理小规模或中等规模的数据。为了处理对于大规模的MIL问题，本文提出了两种高效、可扩展的MIL算法：miVLAD和miFV。可扩展的算法线性分类器的可扩展性线性分类器多视图数据3.对比算法解决实例标签丢失困难的算法miSVM通过搜索最大余量超平面来分离实例，从而为包中的实例显式分配标签MIBoosting假设每个实例对包含它的袋子的标签贡献独立且相等，并提出了一种Boosting方法来解决MIL问题miGraph将实例视为非i

摘要多实例学习是基于有监督的处理包分类的一种范式。每个包都包含大量可以提取特征的实例。MIL的复杂性很大程度由于实例的数量。由于面临较大的实例空间，所以需要涉及有效的实例选择技术。MILIS，一种基于自适应实例选择的新型 MIL 算法。在交替优化框架中通过以保证收敛的迭代方式将实例选择和分类器学习的步骤交织在一起来做到这一点。初始的实例选择：基于负实例使用核密度估计器引用背景：多实例学习基于有监督学习；在包级别进行分类；包与标签相关联；关键假设负包只包含负实例，正包包含正负实例；实例标签的隐藏是