典型文献
面向增量分类的多示例学习
文献摘要：
近年来多示例学习(multi-instance learning,MIL)被广泛应用于复杂数据问题中,但现有的多示例学习算法往往在封闭静态环境中工作良好,其所处理的类别数量也恒定不变.然而在现实应用当中,常会有新的类别不断地加入到系统当中,例如科学的发展中不断出现新的议题、社交媒体中不断出现新的话题.由于存储限制或保密协议等原因,旧数据可能随着时间的发展变得不可见,这使得直接学习新的类别时模型会忘记曾经学过的知识.增量学习则被用于解决上述问题.因此,在多示例学习设定下进行增量数据挖掘十分有意义,然而目前针对多示例学习下的增量数据挖掘的工作十分稀少.提出一个基于注意力机制和原型分类器映射的多示例增量数据挖掘方法,通过注意力机制选择性地将多示例包的示例汇合为统一的特征表示,然后为每个类别生成类别原型表示并存储下来.类别原型通过原型分类器映射模块得到无偏鲁棒的类别分类器,并通过上一个增量阶段生成的分类器的预测结果对新增量阶段生成的分类器的预测结果进行知识蒸馏,使得模型能够在多示例学习下以极低的存储很好地保留模型的旧知识.实验结果表明:提出的方法能够有效地进行面向增量分类的多示例学习.
文献关键词：
多示例学习;增量学习;注意力机制;知识蒸馏;原型
中图分类号：
作者姓名：
魏秀参;徐书林;安鹏;杨健
作者机构：
南京理工大学计算机科学与工程学院 南京 210094;综合业务网理论及关键技术国家重点实验室(西安电子科技大学) 西安 710071;高维信息智能感知与系统教育部重点实验室(南京理工大学) 南京 210094;社会安全图像与视频理解江苏省重点实验室(南京理工大学) 南京 210094;计算机软件新技术国家重点实验室(南京大学) 南京 210023;中国海洋石油集团有限公司信息技术中心 北京 100010
文献出处：
引用格式：
[1]魏秀参;徐书林;安鹏;杨健-.面向增量分类的多示例学习)[J].计算机研究与发展,2022(08):1723-1731
A类：
B类：
多示例学习,multi,instance,learning,MIL,复杂数据,环境中工作,别数,现实应用,社交媒体,保密协议,不可见,忘记,经学,增量学习,定下,增量数据,稀少,注意力机制,分类器,挖掘方法,汇合,特征表示,无偏,行知,知识蒸馏,旧知识
AB值：
0.248916
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
