多示例學習

在機器學習中， 多示例學習 (MIL) 是由監督式學習演變而來的。相較於輸入一系列被單獨標註的示例，在多示例學習中，輸入的是一系列被標註的「包」，每個「包」都包括許多示例。舉一個二元分類的簡單的例子，當包中的所有示例都是負例時，這個包會被標註為負包。另一方面，當包中至少含有一個正例時，這個包會被標註為正包。當收到一系列被標註的包時，機器試著去：（1）歸納出一個類別概念以便正確標註個別示例。（2）在歸納之外學習怎樣去標註一個包。

就圖像分類舉一個例子：給出一個圖像，我們想要根據圖像的畫面內容來確定它的目標類別。比如，當圖像同時包括了「沙子」和「水」時，圖像的目標類別可能是「海灘」。在多示例學習中，圖像被描述成一個包：${\displaystyle X=\{X_{1},..,X_{N}\}}$, 其中每一個${\displaystyle X_{i}}$均是從圖像中相應第i個區域中提取出來的特徵向量（我們稱之為示例），N是圖像被分割出的區域（示例）個數。當圖像包同時包含「沙子」區域示例和「水」區域示例時，這個包會被標註成正例（「海灘」）。

多示例學習這一名稱最初是由Dietterich, Lathrop & Lozano-Pérez (1997)提出來的，但是類似更早的研究，有Keeler, Rumelhart & Leow (1990)的手寫數字識別。 最近關於多示例學習的回顧文獻包括了Amores (2013)，對於不同的範式，它提供了一個廣泛的回顧和比較研究。 還有Foulds & Frank (2010)，對於文獻中不同的範式所提出的不同假設，它提供了一個全面的回顧。

運用多示例學習的幾個例子：

• 分子活性
• 鈣調素結合蛋白結合位點的預測 ^[1]
• 對於選擇性剪接異構體的預測作用 Li, Menon & et al. (2014),Eksi et al. (2013)
• 圖像分類Maron & Ratan (1998)
• 文本或文檔分類

數不清的研究都在做著促使傳統分類技術，諸如支持向量機或是提升方法，適應於多示例學習環境的工作。

參見

• Multi-label classification