多示例学习的Shapley值去混淆策略及Fisher编码嵌入

杨梅; 高中杰; 陈天霖; 朱家琳; 张靖宇

doi:10.13885/j.issn.0455-2059.2025.05.011

兰州大学学报（自然科学版） ›› 2025, Vol. 61 ›› Issue (5) : 643 -650. DOI: 10.13885/j.issn.0455-2059.2025.05.011

多示例学习的Shapley值去混淆策略及Fisher编码嵌入

杨梅, 高中杰, 陈天霖, 朱家琳, 张靖宇

作者信息 +

Author information +

文章历史 +

摘要

为减少多示例学习(MIL)中混淆示例对包分类的影响,提出一种MIL的Shapley值去混淆策略及Fisher编码嵌入(SVDE)算法,以提高分类任务的准确性.示例去混淆技术融合了Shapley值优化理论,能够考虑包内示例之间的交互关系,为单个示例生成混淆度评分. SVDE算法结合模糊聚类方法,能够有效生成去除了混淆示例的新包,通过结合包嵌入技术引入Fisher向量编码,以增强包的表示能力,提升最终的分类性能.在多个领域共25个数据集上进行实验,并与7种前沿MIL算法进行对比.结果表明, SVDE算法在大部分数据集上的性能优于对比算法,尤其在图像和部分文本数据集上表现优异.在图像数据集Elephant、Fox和Tiger上, SVDE算法的准确率分别为90.85%、75.65%和87.25%,均高于对比算法;在文本数据集News.aa、 News.cg和News.csm上, SVDE算法的准确率分别为93.90%、92.30%和92.30%,表现出色.