多示例嵌入学习的实例关联性挖掘与强化

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。

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

基金资助

国家自然科学基金资助项目(62006200); 四川省自然科学基金资助项目(2019YJ0314); 中央引导地方科技发展专项项目(2021ZYD0003); 浙江省海洋大数据挖掘与应用重点实验室开放课题(OBDMA202102)