多示例嵌入学习的实例关联性挖掘与强化
Multi-instance embedding learning with instance affinity mining and reinforce-ment
杨梅 1邓雯 2张本文 3闵帆1
作者信息
- 1. 西南石油大学计算机科学学院, 四川 成都 610500;西南石油大学人工智能研究院,四川 成都 610500;西南石油大学机器学习研究中心,四川 成都 610500
- 2. 西南石油大学计算机科学学院, 四川 成都 610500
- 3. 四川民族学院理工学院, 四川 康定 626001
- 折叠
摘要
提出了多示例嵌入学习(multi-instance learning,MIL)的实例关联性挖掘与强化算法(multi-instance embedding learning with instance affinity mining and reinforcement,MEMR),包括3 个技术.关联性挖掘技术基于自定义的关联性指标,首先在负实例空间中选择初始负代表实例集,然后根据正、负实例间的差异性,选择初始正代表实例集.关联性强化技术分别评估初始正、负代表实例集与整个实例空间的正负关联性,获得整体关联性更强的代表实例集.包嵌入技术通过嵌入函数将包转换为单向量进行学习.实验在 4 类应用领域和 7 种对比算法上进行.结果表明,MEMR的准确性总体优于其他对比算法,特别是在图像检索和网页推荐数据集上具有显著优势.
Abstract
We propose the multi-instance embedding learning with instance affinity mining and reinforcement(MEMR)algorithm,including three techniques.The affinity mining technique is based on a custom affinity metric.First,the initial negative representa-tive instance set(INRI)is selected in the negative instance space.Then,the initial positive representative instance set(IPRI)is chosen according to the difference between positive and negative instances.The affinity reinforcement technique evaluates the posi-tive(negative)affinity between IPRI(INRI)and the entire instance space to obtain a representative instance set with stronger over-all affinity.The bag embedding technique converts bags into single vectors for learning through the designed embedding function.Experiments are carried out across four application domains and seven comparison algorithms.The results show that MEMR generally outperforms other comparison algorithms in accuracy,especially in image retrieval and web recommendation datasets.
关键词
关联性挖掘/关联性强化/嵌入方法/实例选择/多示例学习Key words
affinity mining/affinity reinforcement/embedding method/instance selection/multi-instance learning引用本文复制引用
基金项目
国家自然科学基金(62006200)
四川省自然科学基金(2019YJ0314)
中央引导地方科技发展专项(2021ZYD0003)
浙江省海洋大数据挖掘与应用重点实验室开放基金(OBDMA202102)
出版年
2024
NETL
NSTL
万方数据