廣東工業(yè)大學(xué)自動(dòng)化學(xué)院 林志全

多示例學(xué)習(xí)已應(yīng)用于許多場(chǎng)景，如圖像分類(lèi)、惡意軟件分類(lèi)、文檔分類(lèi)、對(duì)象檢測(cè)等。在多示例學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)集中的每個(gè)數(shù)據(jù)都是一個(gè)包，包由多個(gè)示例組成。包有類(lèi)別標(biāo)簽，實(shí)例沒(méi)有類(lèi)別標(biāo)簽。而學(xué)習(xí)的最終目標(biāo)是給出新包的類(lèi)別預(yù)測(cè)。我們以圖像分類(lèi)為例，每個(gè)圖像都被視為一個(gè)包，圖像被分成多個(gè)部分，每個(gè)部分可以看作是其中一個(gè)示例，對(duì)應(yīng)多個(gè)示例在袋子里。如果圖像是我們需要的圖像，那么這個(gè)包就是一個(gè)正包，具有此圖像特征的示例就是一個(gè)正示例。

傳統(tǒng)的分類(lèi)學(xué)習(xí)方法，往往都是單個(gè)任務(wù)進(jìn)行。而在現(xiàn)實(shí)生活中，分類(lèi)任務(wù)往往是多個(gè)相似任務(wù)一起進(jìn)行，對(duì)此研究人員提出來(lái)多任務(wù)學(xué)習(xí)(MTL)。通過(guò)共享相關(guān)任務(wù)之間的共同因素，可以使模型更好地對(duì)原始任務(wù)進(jìn)行總結(jié)從而提高任務(wù)的泛化能力，從而提升分類(lèi)器的判別度。例如，S.Pan等人提出了FELMUG框架，分析了任務(wù)間特征的敏感性，并將圖數(shù)據(jù)分為子圖挖掘中的3個(gè)特征：公共特征、輔助特征和唯一特征，在圖數(shù)據(jù)分類(lèi)上取得了很好的效果。

1 定義和預(yù)處理

在多示例學(xué)習(xí)中，訓(xùn)練集由一組分類(lèi)標(biāo)簽的包組成，如果包中至少含有一個(gè)正示例，則該包被標(biāo)記為正包。如果多示例包的所有示例都是負(fù)示例，則該包被標(biāo)記為負(fù)包。

（1）對(duì)于多示例學(xué)習(xí)中，我們用代表一組訓(xùn)練集，是包的集合，代表有N個(gè)包，其中BN代表第N個(gè)包，YN是包的標(biāo)簽，。包BN是示例的集合，其中bN是代表第N個(gè)示例，yN是示例的標(biāo)簽。

（2）對(duì)于多任務(wù)學(xué)習(xí)，我們用T=1,2,…t代表t個(gè)任務(wù)。對(duì)于第t個(gè)任務(wù)，來(lái)代表任務(wù)t的包的集合。

（3）我們利用基于單個(gè)示例的相似性，挑選每個(gè)包中，最有可能為正的示例。假設(shè)給定示例x和一個(gè)子集S，可以用公式來(lái)計(jì)算，x和子集S的相似度。

2 方法

我們首先將多任務(wù)學(xué)習(xí)應(yīng)用到SVM中，假定第t個(gè)任務(wù)的方程為，在這種分類(lèi)下，它的結(jié)果yit的結(jié)果是代表輸入xi的分類(lèi)結(jié)果是正的還是負(fù)的。接著我們把多個(gè)任務(wù)結(jié)合起來(lái)形成一個(gè)新的目標(biāo)方程?？紤]到任務(wù)是相互關(guān)聯(lián)的，我們使用通用功能、輔助功能和專(zhuān)有功能，表示wt的特征。

得到最終的目標(biāo)方程后，為了改善決策邊界和提高分類(lèi)器的學(xué)習(xí)性能，我們采用了一種啟發(fā)式策略，一種基于交替優(yōu)化的方法來(lái)更新正候選。

第一步，選擇初始正例候選作為初始正候選，根據(jù)初步的正選正示例，去解決目標(biāo)方程，并得到原始拉格朗日乘子。

第二步，固定得到拉格朗日乘子α，正候選值更新如下：

第三步，重復(fù)以上2個(gè)步驟，直到滿足下面條件：

其中，F(xiàn)是目標(biāo)方程的求解，表示第k次迭代的目標(biāo)方程的解。而是自己設(shè)閾值，在實(shí)驗(yàn)中我們給予的值是0.01。

3 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)本文提供的方案，我們利用5個(gè)多示例的數(shù)據(jù)集，Musk、Fox、tiger、Elephant去檢測(cè)本文方案的精確度，并用MI-SVM，EM-DD，F(xiàn)MT-MIL，MTML-MIL進(jìn)行比較實(shí)驗(yàn)。

表1 分類(lèi)準(zhǔn)確度對(duì)比

實(shí)驗(yàn)結(jié)果由表1所示，結(jié)果表明：

（1）對(duì)比MI-SVM，EM-DD兩個(gè)多示例學(xué)習(xí)，F(xiàn)MT-MIL,MTML-MIL以及我們提出的方法，有更好的分類(lèi)結(jié)果。說(shuō)明相對(duì)于多示例分類(lèi)，多任務(wù)學(xué)習(xí)應(yīng)用于多示例學(xué)習(xí)時(shí)，能得到更好的分類(lèi)效果。

（2）我們的方法，相對(duì)于FMT-MIL和MTML-MIL，得到更好的分類(lèi)效果，分類(lèi)精度有顯著的提升，比其他模型能得到更好的性能。

結(jié)論：在本文中，我們?cè)谘芯慷嗍纠龑W(xué)習(xí)中，充分考慮到多個(gè)相似任務(wù)之間的關(guān)系，提出了基于多示例的多任務(wù)學(xué)習(xí)方法。在多示例學(xué)習(xí)中，引入樹(shù)模型，和SVM分類(lèi)器，將相似任務(wù)聯(lián)系起來(lái)，重構(gòu)目標(biāo)方程。由實(shí)驗(yàn)結(jié)果表明，我們提出的方法能夠獲得更好的分類(lèi)結(jié)果，是有效可行的。