multiple

多⽰例学习multipleinstancelearning（MIL）

多⽰例学习：包(bags)和⽰例(instance).

包是由多个⽰例炒作 组成的，举个例⼦，在图像分类中，⼀张图⽚就是⼀个包，图⽚分割出的patches就是⽰例。在多⽰例学习中，包带有类别标签⽽⽰例不带类别标签，最终谢贤为什么叫四哥 的⽬的是给出对新的包的类别预测。

多⽰例学习是弱监督学习中的⼀个popular的⽅法。⽤于训练分类器的instance是没有类别标记的，但是bags却是有类别标记的，这⼀点与以往所有框架均不甚相同。

多⽰例学习中的规则：如果⼀个bag⾥⾯存在⾄少⼀个instance被分类器判定标签为+（或者1）的⽰例，则该包为正包；如果⼀个bag⾥⾯

所有的instance都被分类器判定标签为-，则该包为负包。

问题的实际应⽤：做检测问题，标记训练图⽚样本的时候需要给出⼀个矩形框指明⽬标的位置，有可能标的不够准确，导致不同的样本之间

对不齐，这时候可以将标记的矩形框做⼀些局部扰动得到⼀些新的矩形框，将它们⼀起看成⼀个bag，其中总有⼀个是最佳的正样本，也就

是标记为正。⽽取⼀张没有⽬标的图⽚，作为负样本包，⽆论在⾥分享的意义 ⾯怎么截取图⽚，都是负样本。

解决这个问题的⽅法：迭代优化（alternativeoptimization）。分为两步：监督学习，标记更新

⾸先假设已知所有样本的标记，使⽤⼀个监督学习的⽅法得到⼀个分我们的立国之本 类模型；⽤这个模型对每个训练样本进⾏预测，更新它们的标记。------以上是⼀个过程

之后再根据新得到的标记样本重新训练分类器，再对每个训练样本进⾏预测；再训泰式spa 练分类器，再预测标记；再训练，再预测。。。番泻叶可以减肥吗 。思想小结 。。需要注意的地⽅：

1）训练监督学习模型的时候，只从正样本包⾥挑选被预测的“最像正确”（也就是分类得到最⾼）的那⼀个，正样本包⾥⾯其他的样本，不管

预测出来的是正还是负的都不要了。这是因为，其中多⽰例的问踏青节 题也可以描述为，正样本包⾥⾯“最正确”的⼀个样本标记是正的，跟其他样本⽆关。所以，这种选择策略恰恰是符合问题定义的。

2）如果负样本⾜够多的话，可以只挑选每个负样本包⾥⾯被预测“最像正确”的⼀个样本作为负样本进⾏训练，这样的负样本也叫做hard

sample或者mostviolatedsample。实践中，它们对于模型快速收敛是最有效的。

流程图：输⼊：数据矩阵

MILL(MILLibrary)isanopen-sole-instancelearning(MIL)isaformof

mi-supervidlearningically,instancesinMILaregroupedintoa

elsofthebagsareprovided,r,abagislabeledpositiveifatleastone

instanceinthebagispositive,orithmsattempttolearnaclassific疯子用英语怎么说 ationfunctionthat

canpredictthelabelsofbagsand/licationsofMILincludemoleculeactivityprediction（分⼦活动预测）,text

categorization（⽂本分类）,imageclassificationandretrieval（图像分类和检索）,etc.