改進的MILES算法研究.pdf

1、多示例學習（Multiple-Instance Learning）不同于傳統(tǒng)的監(jiān)督學習，在文本分類，圖像處理（自然場景分類，基于內(nèi)容的圖像恢復等）等領域，MIL都得到了大量的應用。為了解決各種各樣的MIL問題，近些年來研究者們提出了多種算法，其中經(jīng)典的嵌入空間算法MILES首先利用特征映射來構(gòu)造包級特征，再利用支持向量機SVM來訓練一個標準的監(jiān)督學習分類器。MILES算法主要分為特征映射和特征選擇，以及標準的分類器構(gòu)造幾個部分。很多經(jīng)典

2、數(shù)據(jù)集上的實驗結(jié)果表明，該算法的分類精度較高。然而由于前期較為龐大的數(shù)據(jù)處理量，導致MILES的計算復雜度較高，整個算法的運行時間較長，另外MILES的抗噪性能也需要改善。因此，本文利用MILES的思路對其作出改進，主要內(nèi)容如下：
　?。?）對MILES算法和其它常見典型算法進行分析。重點分析了其中的幾種典型算法，比如DD，DD-SVM，MILES等等。其中MILES算法將MIL問題轉(zhuǎn)化為已有的監(jiān)督學習問題，利用訓練集中的所有單示

3、例，構(gòu)造一個特征空間。緊接著對其做特征選擇，最后利用選擇好的特征向量，訓練出一個標準的分類器。本文將會分析MILES的整體思路，以及其中的特征映射和特征選擇兩個關鍵問題及標準的分類器構(gòu)造等。接著結(jié)合實驗結(jié)果分析得出MILES算法的不足之處，為后文提出改進算法作出鋪墊。
　　（2）針對MILES算法計算復雜度較高，抗噪性能也不夠好的不足，本文提出了一種基于聚類和概率神經(jīng)網(wǎng)絡的改進算法 MIL-CPNN(Multiple-Instan

4、ce Learning via Probabilistic Neural Network based on Clustering)。改進算法同樣采用MILES的總體思路，即先獲取包級特征再構(gòu)造分類器。為了避免大量的運算，先通過聚類來得到包級特征，緊接著利用概率神經(jīng)網(wǎng)絡的的高效性，將包級特征送入其中訓練來構(gòu)造分類器。通過實驗結(jié)果對比表明，該算法有較好的抗噪性能，能比較有效的降低運行時間，也有著不錯的分類精度。
　?。?）為了進一步提

5、高MILES算法的分類精度，同時減小MILES中的嵌入過程的計算量，本文還提出了另一種基于神經(jīng)網(wǎng)絡形式的MIL算法。由于包含了嵌入過程，同時又結(jié)合了神經(jīng)網(wǎng)絡，所以將其命名為MIL-ENN(Multiple-Instance Learning via Embedding and Neural Network)。通過實驗結(jié)果對比表明，該算法能夠一定程度的提高分類精度，同時由于嵌入空間運算量的減少，相較而言此算法的計算復雜度也得到有效的降低。