.png){kind=icon}
返回
Uncertainty-aware multi-instance partial-label learning via evidential deep model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134578.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多实例部分标签学习（MIPL）是一种具有挑战性的弱监督学习范式，其中实例级模糊和标签级模糊并存。现有的基于注意力机制的MIPL方法通常使用确定性权重识别关键实例，但其无法量化不确定性，使其易受噪声或模糊实例的影响。为解决此局限性，我们提出了不确定性感知多实例部分标签学习（UAMIPL）框架，该框架明确将不确定性纳入实例聚合过程。具体而言，UAMIPL联合捕捉（1）通过实例评分参数的贝叶斯建模获取的全局不确定性，以及（2）通过实例级证据不确定性估计机制获取的局部不确定性。由此产生的可靠性信号用于校准基础注意力分数，从而获得不确定性感知的聚合系数，以实现更稳健的袋表示学习。在基准和真实数据集上的大量实验验证了UAMIPL的有效性，特别是在存在显著噪声和模糊性的情况下。进一步分析表明，所提出的不确定性感知聚合机制提高了鲁棒性，增强了实例级的可解释性，并受益于全局和局部不确定性建模的互补效应。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Review of classical dimensionality reduction and sample selection methods for large-scale data processing.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Clinical-grade computational pathology using weakly supervised deep learning on whole slide images在整个幻灯片图像上使用弱监督深度学习的临床级计算病理学NATURE MEDICINE
OAAI
NATURE MEDICINEIF50
OAAI分享收藏Multiple instance learning: A survey of problem characteristics and applications多实例学习: 问题特征与应用综述PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Bidirectional LSTM with attention mechanism and convolutional layer for text classificationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容