Key points are not available for this paper at this time.
Em muitas tarefas do mundo real, especialmente aquelas que envolvem objetos de dados com semânticas complicadas, como imagens e textos, um objeto pode ser representado por múltiplas instâncias e associado simultaneamente a múltiplos rótulos. Tais tarefas podem ser formuladas como problemas de aprendizado multi-instância multi-rótulo (MIML) e têm sido amplamente estudadas nos últimos anos. As abordagens MIML existentes têm se mostrado úteis em muitas aplicações; no entanto, a maioria delas só consegue lidar com dados de tamanho moderado. Para lidar de forma eficiente com grandes conjuntos de dados, neste artigo propomos a abordagem MIMLfast, que primeiro constrói um subespaço de baixa dimensão compartilhado por todos os rótulos e, em seguida, treina modelos lineares específicos de rótulo para otimizar a perda de classificação aproximada via descida de gradiente estocástico. Embora o problema MIML seja complicado, o MIMLfast consegue alcançar um desempenho excelente explorando as relações de rótulo com o espaço compartilhado e descobrindo subconceitos para rótulos complicados. Experimentos mostram que o desempenho do MIMLfast é altamente competitivo em relação às técnicas de ponta, enquanto seu custo de tempo é muito menor. Além disso, nossa abordagem é capaz de identificar a instância mais representativa para cada rótulo, oferecendo assim a oportunidade de entender a relação entre os padrões de entrada e a semântica dos rótulos de saída.
Huang et al. (Terça,) estudaram essa questão.