MILES: Aprendizaje de Múltiples Instancias a través de la Selección de Instancias Incrustada

Los problemas de múltiples instancias surgen de situaciones donde las etiquetas de clase de entrenamiento están adjuntas a conjuntos de muestras (denominados bolsas), en lugar de muestras individuales dentro de cada bolsa (denominadas instancias). La mayoría de los algoritmos previos de aprendizaje de múltiples instancias (MIL) se desarrollan basados en la suposición de que una bolsa es positiva si y solo si al menos una de sus instancias es positiva. Aunque la suposición funciona bien en un problema de predicción de actividad de fármacos, es bastante restrictiva para otras aplicaciones, especialmente aquellas en el área de visión por computadora. Proponemos un método de aprendizaje, MILES (Aprendizaje de Múltiples Instancias a través de la Selección de Instancias Incrustada), que convierte el problema de aprendizaje de múltiples instancias en un problema de aprendizaje supervisado estándar que no impone la suposición relacionada con las etiquetas de instancia y las etiquetas de bolsa. MILES mapea cada bolsa en un espacio de características definido por las instancias en las bolsas de entrenamiento a través de una medida de similitud de instancias. Este mapeo de características a menudo proporciona un gran número de características redundantes o irrelevantes. Por lo tanto, se aplica SVM de 1-norma para seleccionar características importantes y, al mismo tiempo, construir clasificadores. Hemos realizado experimentos extensos. En comparación con otros métodos, MILES demuestra una precisión de clasificación competitiva, alta eficiencia computacional y robustez ante la incertidumbre de etiquetado.