Prototype Forest in multiple instance learning

Sivrikaya, Ozgur Emre

doi:10.1016/j.knosys.2026.116535

Prototype Forest in multiple instance learning

2026-07-01

0

PRE

AI

S

Sivrikaya, Ozgur Emre

Mustafa Gökçe Baydoğan

DOI：10.1016/j.knosys.2026.116535

原文链接

原文求助

摘要

En 中文

多重实例学习（MIL）解决了标签仅存在于实例袋中的问题，通常需要复杂假设或计算成本高的嵌入技术来解决。虽然基于差异性的表示能有效捕捉全局结构，但它们常面临高计算成本和难以调整的超参数问题。为解决这些局限，本研究通过引入两种新颖框架——原型森林（PF）和原型学习原型森林（PFPL）——弥合了基于差异性的嵌入与可解释树基集成之间的差距。两种方法均通过决策树结构中的参考原型（最小、最大和平均距离）的差异特征来表示实例袋。PF借助随机森林的效率，在分裂节点使用随机选取的实例作为原型，作为一种正则化技术，最小化调优需求和计算负载。相反，PFPL整合了基于随机梯度下降的学习机制以优化各节点的原型，生成更好分离实例袋类别的分裂。我们在来自图像、文本和音频分类等不同领域的71个基准数据集上，将两种方法与18种最先进基线进行比较评估。大量实验表明，PFPL在所有测试方法中达到最高预测性能（平均AUC：0.899）。然而，这种准确性以计算代价为代价，PFPL的运行时间显著高于标准PF，后者在保持非参数集成速度优势的同时仍保持高度竞争力（平均AUC：0.887）。

Keyword:

Multiple Instance Learning

Dissimilarity

Prototype

Tree-based ensembles

Classification

Prototype Forest in multiple instance learning

摘要

期刊

机构

引用论文