About: Multiple-instance learning

Facets (new session)
Description
Metadata
Settings
- Rule:
- Inverse Functional Properties:
- "Same As":

About: Multiple-instance learning Goto Sponge NotDistinct Permalink

An Entity of Type : owl:Thing, within Data Space : dbpedia.demo.openlinksw.com associated with source document(s)
QRcode icon

http://dbpedia.demo.openlinksw.com/describe/?url=http%3A%2F%2Fdbpedia.org%2Fresource%2FMultiple-instance_learning&invfp=IFP_OFF&sas=SAME_AS_OFF

Attributes	Values
rdfs:label	Multiple-instance learning (en) 多示例学习 (zh)
rdfs:comment	在机器学习中，多示例学习 (MIL) 是由監督式學習演变而来的。相较于输入一系列被单独标注的示例，在多示例学习中，输入的是一系列被标注的“包”，每个“包”都包括许多示例。举一个二元分类的简单的例子，当包中的所有示例都是负例时，这个包会被标注为负包。另一方面，当包中至少含有一个正例时，这个包会被标注为正包。当收到一系列被标注的包时，机器试着去：（1）归纳出一个类别概念以便正确标注个别示例。（2）在归纳之外学习怎样去标注一个包。就图像分类举一个例子：给出一个图像，我们想要根据图像的画面内容来确定它的目标类别。比如，当图像同时包括了“沙子”和“水”时，图像的目标类别可能是“海滩”。在多示例学习中，图像被描述成一个包：, 其中每一个均是从图像中相应第i个区域中提取出来的特征向量（我们称之为示例），N是图像被分割出的区域（示例）个数。当图像包同时包含“沙子”区域示例和“水”区域示例时，这个包会被标注成正例（“海滩”）。多示例学习这一名称最初是由)提出来的，但是类似更早的研究，有)的手写数字识别。最近关于多示例学习的回顾文献包括了)，对于不同的范式，它提供了一个广泛的回顾和比较研究。还有)，对于文献中不同的范式所提出的不同假设，它提供了一个全面的回顾。运用多示例学习的几个例子：数不清的研究都在做着促使传统分类技术，诸如支持向量机或是提升方法，适应于多示例学习环境的工作。 (zh)
dcterms:subject	Machine learning
Wikipage page ID	14082194 (xsd:integer)
Wikipage revision ID	847187327 (xsd:integer)
Link from a Wikipage to another Wikipage	Machine learning Multiple instance learning
Wikipage redirect	Multiple instance learning
sameAs	Multiple-instance learning Multiple-instance learning Multiple-instance learning Multiple-instance learning Multiple-instance learning
dbp:wikiPageUsesTemplate	dbt:R_from_merge
has abstract	在机器学习中，多示例学习 (MIL) 是由監督式學習演变而来的。相较于输入一系列被单独标注的示例，在多示例学习中，输入的是一系列被标注的“包”，每个“包”都包括许多示例。举一个二元分类的简单的例子，当包中的所有示例都是负例时，这个包会被标注为负包。另一方面，当包中至少含有一个正例时，这个包会被标注为正包。当收到一系列被标注的包时，机器试着去：（1）归纳出一个类别概念以便正确标注个别示例。（2）在归纳之外学习怎样去标注一个包。就图像分类举一个例子：给出一个图像，我们想要根据图像的画面内容来确定它的目标类别。比如，当图像同时包括了“沙子”和“水”时，图像的目标类别可能是“海滩”。在多示例学习中，图像被描述成一个包：, 其中每一个均是从图像中相应第i个区域中提取出来的特征向量（我们称之为示例），N是图像被分割出的区域（示例）个数。当图像包同时包含“沙子”区域示例和“水”区域示例时，这个包会被标注成正例（“海滩”）。多示例学习这一名称最初是由)提出来的，但是类似更早的研究，有)的手写数字识别。最近关于多示例学习的回顾文献包括了)，对于不同的范式，它提供了一个广泛的回顾和比较研究。还有)，对于文献中不同的范式所提出的不同假设，它提供了一个全面的回顾。运用多示例学习的几个例子： * 分子活性 * 钙调素结合蛋白结合位点的预测 * 对于选择性剪接异构体的预测作用 ),) * 图像分类) * 文本或文档分类数不清的研究都在做着促使传统分类技术，诸如支持向量机或是提升方法，适应于多示例学习环境的工作。 (zh)
prov:wasDerivedFrom	wikipedia-en:Multiple-instance_learning?oldid=847187327&ns=0
page length (characters) of wiki page	88 (xsd:nonNegativeInteger)
foaf:isPrimaryTopicOf	wikipedia-en:Multiple-instance_learning
is Link from a Wikipage to another Wikipage of	Josef Kittler Quantitative structure–activity relationship Content-based image retrieval Kernel embedding of distributions Multi-label classification Document classification Manifold alignment Outline of machine learning
is foaf:primaryTopic of	wikipedia-en:Multiple-instance_learning

Faceted Search & Find service v1.17_git139 as of Feb 29 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3330 as of Mar 19 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (378 GB total memory, 56 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software