抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習における活発に研究話題として,多重インスタンス学習(MIL)は,多くの提案された解決策,教師つき及び教師なしの両法を含んでいた。これらのソリューションの多くは,MILの概念によりもたらされることを元の仮定に限定されている:multipleinstance物体のラベルは,そのインスタンスのラベルによって直接決定した。しかし,この仮定は,全ラベルの間の明確な関係とインスタンスのラベルされていない場合,有害環境に直面している。ほとんどの従来の手法は,例えば空間における学習から出発しての全体として各多重インスタンス物体を用いて実際にこの問題を避けるが,情報を失うか,時間がかかる。本論文では,著者らはMIL,結合Gauss類似性(地盤工学会)と共同Gauss距離(JGD)のための二関節Gaussベース尺度,多重インスタンスオブジェクトとそのインスタンスのラベル間の関係の事前知識を必要としない,を導入した。JGDの特性はクラスタリングと埋め込みのような多くの技術に必要なメトリックであるが,地盤工学会は,類似性の尺度である。地盤工学会とJGDはすべての情報を考慮し,多くの伝統的な機械学習法はMILに導入することができる。様々な実世界データ上での包括的実験的評価は,両対策の有効性,およびベンチマークタスクに関する最新MILアルゴリズムよりも優れた性能を実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
