論文の概要: A Visual Mining Approach to Improved Multiple-Instance Learning
- arxiv url: http://arxiv.org/abs/2012.07257v1
- Date: Mon, 14 Dec 2020 05:12:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:18:46.347929
- Title: A Visual Mining Approach to Improved Multiple-Instance Learning
- Title（参考訳）: マルチインスタンス学習改善のためのビジュアルマイニング手法
- Authors: Sonia Castelo, Moacir Ponti, Rosane Minghim
- Abstract要約: MIL(Multiple-Instance Learning)は、オブジェクト(インスタンス)の集合(バッグ)を分類し、ラベルをバッグのみに割り当てることを目的とした機械学習のパラダイムである。
MILをサポートするため,マルチスケールのツリーベースビジュアライゼーションを提案する。
木の最初のレベルはバッグを表し、2番目のレベルは各バッグに属するインスタンスを表します。
- 参考スコア（独自算出の注目度）: 3.611492083936225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple-instance learning (MIL) is a paradigm of machine learning that aims
to classify a set (bag) of objects (instances), assigning labels only to the
bags. This problem is often addressed by selecting an instance to represent
each bag, transforming a MIL problem into a standard supervised learning.
Visualization can be a useful tool to assess learning scenarios by
incorporating the users' knowledge into the classification process. Considering
that multiple-instance learning is a paradigm that cannot be handled by current
visualization techniques, we propose a multiscale tree-based visualization to
support MIL. The first level of the tree represents the bags, and the second
level represents the instances belonging to each bag, allowing the user to
understand the data in an intuitive way. In addition, we propose two new
instance selection methods for MIL, which help the user to improve the model
even further. Our methods are also able to handle both binary and multiclass
scenarios. In our experiments, SVM was used to build the classifiers. With
support of the MILTree layout, the initial classification model was updated by
changing the training set - composed by the prototype instances. Experimental
results validate the effectiveness of our approach, showing that visual mining
by MILTree can help users in exploring and improving models in MIL scenarios,
and that our instance selection methods over-perform current available
alternatives in most cases.
- Abstract（参考訳）: MIL(Multiple-Instance Learning)は、オブジェクト(インスタンス)の集合(バグ)を分類し、ラベルをバッグに割り当てることを目的とした機械学習のパラダイムである。
この問題は、各バッグを表すインスタンスを選択し、MIL問題を標準的な教師付き学習に変換することで解決される。
可視化は,ユーザの知識を分類プロセスに取り入れることで,学習シナリオを評価する上で有用なツールである。
マルチインスタンス学習は,現在の可視化手法では処理できないパラダイムであると考え,milをサポートするマルチスケールツリーベース可視化を提案する。
ツリーの第1レベルはバッグを表し、第2レベルは各バッグに属するインスタンスを表し、ユーザが直感的な方法でデータを理解できるようにする。
さらに,MILのインスタンス選択手法を2つ提案し,モデルをさらに改良する上で有効であることを示す。
私たちのメソッドはバイナリとマルチクラスの両方のシナリオも処理できます。
実験では,SVMを用いて分類器を構築した。
MILTreeレイアウトのサポートにより、初期分類モデルは、プロトタイプインスタンスによって構成されたトレーニングセットを変更して更新された。
実験の結果,MILTreeによる視覚的マイニングは,MILシナリオにおけるモデルの探索と改良に有効であること,インスタンス選択手法が現在の選択肢よりも優れていること,などが確認できた。
関連論文リスト
- Rethinking Multiple Instance Learning for Whole Slide Image
Classification: A Bag-Level Classifier is a Good Instance-Level Teacher [22.080213609228547]
複数のインスタンス学習は、WSI(Whole Slide Image)分類において約束されている。
既存の手法は一般に2段階のアプローチを採用しており、学習不可能な特徴埋め込み段階と分類器訓練段階からなる。
バッグレベルの分類器は、良いインスタンスレベルの教師になれると提案する。
論文 参考訳（メタデータ） (2023-12-02T10:16:03Z) - Rethinking Multiple Instance Learning for Whole Slide Image Classification: A Good Instance Classifier is All You Need [18.832471712088353]
MIL設定下では,インスタンスレベルの弱教師付きコントラスト学習アルゴリズムを初めて提案する。
また,プロトタイプ学習による正確な擬似ラベル生成手法を提案する。
論文 参考訳（メタデータ） (2023-07-05T12:44:52Z) - Multi-View Class Incremental Learning [57.14644913531313]
マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。
本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
論文 参考訳（メタデータ） (2023-06-16T08:13:41Z) - Multi-Modal Few-Shot Temporal Action Detection [157.96194484236483]
Few-shot (FS) と Zero-shot (ZS) の学習は、時間的行動検出を新しいクラスに拡張するための2つの異なるアプローチである。
我々は、FS-TADとZS-TADの結婚として考えられるMMFS (Multi-modality few-shot) TAD問題を導入する。
論文 参考訳（メタデータ） (2022-11-27T18:13:05Z) - Model Agnostic Interpretability for Multiple Instance Learning [7.412445894287708]
MIL(Multiple Instance Learning)では、モデルはインスタンスのバッグを使用してトレーニングされる。
本研究では,MILモデルを解釈するための重要な要件を確立する。
そして、これらの要件を満たすいくつかのモデルに依存しないアプローチを開発します。
論文 参考訳（メタデータ） (2022-01-27T17:55:32Z) - Discovery-and-Selection: Towards Optimal Multiple Instance Learning for
Weakly Supervised Object Detection [86.86602297364826]
複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。
我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
論文 参考訳（メタデータ） (2021-10-18T07:06:57Z) - Visual Transformer for Task-aware Active Learning [49.903358393660724]
プールベースのアクティブラーニングのための新しいパイプラインを提案する。
提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。
ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
論文 参考訳（メタデータ） (2021-06-07T17:13:59Z) - Dual-stream Multiple Instance Learning Network for Whole Slide Image
Classification with Self-supervised Contrastive Learning [16.84711797934138]
スライド画像全体分類(WSI)の課題に対処する。
WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。
局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
論文 参考訳（メタデータ） (2020-11-17T20:51:15Z) - UniT: Unified Knowledge Transfer for Any-shot Object Detection and
Segmentation [52.487469544343305]
オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。
本稿では,直感的かつ統一的な半教師付きモデルを提案する。
論文 参考訳（メタデータ） (2020-06-12T22:45:47Z) - Dual-stream Maximum Self-attention Multi-instance Learning [11.685285490589981]
MIL(Multi-Instance Learning)は、インスタンスレベルのラベルが利用できない間に単一のクラスラベルがインスタンスのバッグに割り当てられる弱い教師付き学習の一種である。
ニューラルネットワークによりパラメータ化されたDSMILモデル(Dual-stream maximum self-attention MIL model)を提案する。
提案手法は,最高のMIL手法と比較して優れた性能を示し,ベンチマークMILデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2020-06-09T22:44:58Z) - Weakly-Supervised Action Localization with Expectation-Maximization
Multi-Instance Learning [82.41415008107502]
弱教師付きアクションローカライゼーションでは、ビデオレベルアクションラベルのみを与えられたビデオ内のアクションセグメントをローカライズするモデルをトレーニングする必要がある。
バッグ(ビデオ)には複数のインスタンス(アクションセグメント)が含まれている。
我々のEM-MILアプローチは、学習目標とMIL仮定の両方をより正確にモデル化することを示します。
論文 参考訳（メタデータ） (2020-03-31T23:36:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。