Multiple Instance Learning: Foundations and Algorithms

این کتاب یک نمای کلی از یادگیری چند نمونه ای (MIL)، تعریف چارچوب و پوشش پارادایم های مرکزی ارائه می دهد. نویسندگان مهم‌ترین الگوریتم‌های MIL مانند طبقه‌بندی، رگرسیون و خوشه‌بندی را مورد بحث قرار می‌دهند. با تمرکز بر طبقه بندی، یک طبقه بندی تنظیم شده و مرتبط ترین پیشنهادات مشخص می شود. الگوریتم های کارآمد برای کشف اطلاعات مرتبط در هنگام کار با عدم قطعیت توسعه داده می شوند. برنامه های کاربردی نماینده کلیدی گنجانده شده است.
این کتاب مطالعه زمینه های کلیدی مرتبط با معیارهای فاصله و فرضیه های جایگزین را انجام می دهد. فصل‌ها جنبه‌های جدید و در حال توسعه MIL مانند کاهش داده‌ها برای مشکلات چند نمونه‌ای و داده‌های MIL نامتعادل را بررسی می‌کنند. عدم تعادل کلاس برای مشکلات چند نمونه در سطح کیف تعریف می‌شود، نوعی نمایش که از ابهام استفاده می‌کند، زیرا برچسب‌های کیسه در دسترس هستند، اما برچسب‌های نمونه‌های جداگانه تعریف نشده‌اند.
به‌علاوه، چند نمونه چندگانه یادگیری برچسب بررسی می شود. این چارچوب یادگیری، انعطاف‌پذیری و ابهام را در بازنمایی شی ارائه می‌کند و یک فرمول طبیعی برای نمایش اشیاء پیچیده ارائه می‌کند. بنابراین، یک شی با مجموعه ای از نمونه ها نشان داده می شود و اجازه دارد چندین برچسب کلاس را به طور همزمان مرتبط کند.
این کتاب برای توسعه دهندگان و مهندسانی مناسب است که از تکنیک های MIL برای حل انواع مشکلات دنیای واقعی استفاده می کنند. همچنین برای محققان یا دانشجویانی که به دنبال یک مرور کلی از ادبیات، روش‌ها و ابزار MIL هستند، مفید است.

This book provides a general overview of multiple instance learning (MIL), defining the framework and covering the central paradigms. The authors discuss the most important algorithms for MIL such as classification, regression and clustering. With a focus on classification, a taxonomy is set and the most relevant proposals are specified. Efficient algorithms are developed to discover relevant information when working with uncertainty. Key representative applications are included.
This book carries out a study of the key related fields of distance metrics and alternative hypothesis. Chapters examine new and developing aspects of MIL such as data reduction for multi-instance problems and imbalanced MIL data. Class imbalance for multi-instance problems is defined at the bag level, a type of representation that utilizes ambiguity due to the fact that bag labels are available, but the labels of the individual instances are not defined.
Additionally, multiple instance multiple label learning is explored. This learning framework introduces flexibility and ambiguity in the object representation providing a natural formulation for representing complicated objects. Thus, an object is represented by a bag of instances and is allowed to have associated multiple class labels simultaneously.
This book is suitable for developers and engineers working to apply MIL techniques to solve a variety of real-world problems. It is also useful for researchers or students seeking a thorough overview of MIL literature, methods, and tools.