일반화된 서포트 벡터 머신을 이용한 다중 인스턴스 학습

패턴 분류에서는 일반적으로 레이블이 있는 패턴의 훈련 세트가 사용 가능한 것으로 간주됩니다. 다중 인스턴스 학습(MIL)은 레이블 정보에 대한 더 약한 가정을 통해 이 문제 설정을 일반화합니다. 각 패턴은 여전히 실제 레이블을 가지고 있다고 믿어지지만, 훈련 레이블은 개별 패턴이 아니라 패턴의 세트 또는 집합과 연관됩니다. 보다 공식적으로, x1,. . . , xn의 패턴 세트가 X1,. . . , Xm의 집합으로 그룹화되어 있으며, 여기서 Xj = xi: i ∈ Ij이고 Ij ⊆ 1,. . . , n입니다. 각 집합 Xj에는 레이블 Yj ∈ -1, 1이 연결되어 있습니다. 이러한 레이블은 다음과 같이 해석됩니다: 집합이 부정적인 레이블 Yj = -1을 가지면, 그 집합의 모든 패턴은 부정적인 레이블을 상속받습니다. 반면에, Yj = 1이면 적어도 하나의 패턴 xi ∈ Xj이 기본 개념의 긍정적인 예시입니다. MIL 시나리오는 많은 흥미로운 응용 프로그램을 가지고 있습니다: 한 주요 응용 프로그램은 약물 설계와 관련된 분자의 분류입니다 (Dietterich, Lathrop, Auer 1997; Long Zhang & Goldman 2002)는 크기가 1인 집합의 한계 경우에서는 유리하지 않은 특별히 맞춤형 기계 학습 알고리즘에 초점을 맞췄습니다. 주목할 만한 예외는 (Ramon & Raedt 2000)입니다.