多示例学习下的多任务分类方法

广东工业大学自动化学院 林志全

多示例学习已应用于许多场景，如图像分类、恶意软件分类、文档分类、对象检测等。在多示例学习中，训练数据集中的每个数据都是一个包，包由多个示例组成。包有类别标签，实例没有类别标签。而学习的最终目标是给出新包的类别预测。我们以图像分类为例，每个图像都被视为一个包，图像被分成多个部分，每个部分可以看作是其中一个示例，对应多个示例在袋子里。如果图像是我们需要的图像，那么这个包就是一个正包，具有此图像特征的示例就是一个正示例。

传统的分类学习方法，往往都是单个任务进行。而在现实生活中，分类任务往往是多个相似任务一起进行，对此研究人员提出来多任务学习(MTL)。通过共享相关任务之间的共同因素，可以使模型更好地对原始任务进行总结从而提高任务的泛化能力，从而提升分类器的判别度。例如，S.Pan等人提出了FELMUG框架，分析了任务间特征的敏感性，并将图数据分为子图挖掘中的3个特征：公共特征、辅助特征和唯一特征，在图数据分类上取得了很好的效果。

1 定义和预处理

在多示例学习中，训练集由一组分类标签的包组成，如果包中至少含有一个正示例，则该包被标记为正包。如果多示例包的所有示例都是负示例，则该包被标记为负包。

（1）对于多示例学习中，我们用代表一组训练集，是包的集合，代表有N个包，其中BN代表第N个包，YN是包的标签，。包BN是示例的集合，其中bN是代表第N个示例，yN是示例的标签。……