返回
Propensity Scoring for Multi-Instance Partial-Label Learning
DOI:10.1007/978-981-95-5640-3_16.png)
摘要
En 中文
多实例部分标签学习(MIPL)是一种特殊的弱监督学习范式。挑战源于每个样本(袋)的监督信息以候选标签集(CLS)的形式提供,其中只有一个是真实标签。袋级CLS在MIPL中成为一个混淆因素,现有方法仅通过联合CLS损失来隐式缓解这些因素的影响。此外,CLS还包含指示实例倾向性的弱监督信息,而现有方法忽略了这一点。在本文中,我们提出了一个用于多实例部分标签学习的倾向性评分框架(PSMIPL)来解决这一问题。PSMIPL是第一个将部分标签信息引入MIPL实例推理过程的模型,包括两个关键组件。倾向性评分组件(PSC)建立对照组和实验组,以估计每个实例对CLS中每个标签的贡献(即倾向性)。此过程生成一个融合的袋表示,其中混淆因素通过因果推断中的去混淆方法(do(x))显式缓解。在此基础上,分类模块利用倾向性分数指导模型训练并生成最终的预测CLS。实验结果表明,PSMIPL在多个MIPL数据集上表现出优异的性能。源代码可在https://github.com/lfslcq/PSIMIPL获取。
Keyword:
Propensity Scoring
Multi-Instance Learning
Partial-Label Learning
Weak Supervision
Causal Inference
期刊
W
IF:
0
论文数:
32
被引数:
1
机构
引用论文
cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet ProcesscDP-MIL:基于级联狄利克雷过程的鲁棒型多实例学习
Agent Aggregator with Mask Denoise Mechanism for Histopathology Whole Slide Image Analysis带掩码去噪机制的代理聚合器用于全切片组织病理图像分析
SAM-MIL: A Spatial Contextual Aware Multiple Instance Learning Approach for Whole Slide Image ClassificationSAM-MIL:一种用于全切片图像分类的空间上下文感知多实例学习方法

