多示例学习 (multi-instance learning, MIL) 学习路线 (归类、重点文章列举、持续更新)

2024-01-20 23:42:02
开发
66

0 要点

说明：本文在于能够让大家能够更加快速地了解MIL这个领域，因此将从以下几个方面重点介绍MIL (这里不详细介绍每一篇文章，只做概述)。

注1：欢迎和我进一步交流，可以加入我建立的QQ群 (2024年1月15日建立，没啥人hhh)；
注2：如果给出的文章包含代码，可以点击其名称缩写获取；
注3：承2，如果包含博客讲解，可以点击其全称获取；

1 多示例背景介绍

概述：多示例学习 (MIL) 是一种典型的弱监督学习，其输入的单个样本被称为包 (bag)，包中包含多个实例 (instance)。在训练阶段，通常只有包的标签可知，而实例的标签不可知或者获取成本极高。因此，概括性的，MIL与传统机器学习的主要区别在于：

弱监督场景：实例的数量巨大却没有标签，仅通过包标签来预测未知类，甚至预测实例标签是极具挑战性的；
数据结构：包是多个实例的集合，实例可以是向量、图像、视频等任意结构，因此传统机器学习可以看作是MIL的一种特殊情况；

纵观MIL发展历程，其可以分为几个阶段：

早期：从Dietterich团队的药物活性预测研究开始，尝试直接使用传统的机器学习方法解决MIL问题；
发展：尝试MIL问题的转换，通常使用嵌入函数或包相似性度量来将其简化为传统的机器学习问题；
深度：利用深度学习的强大特征提取及表征能力，直接预测包的标签，这也是目前MIL研究的重点；
应用：考虑更多背景信息，如视频的时序、医疗图像相邻区块的关联性，以更好地处理实际任务；

2 理论MIL概述

之所以优先介绍传统MIL方法，究其原因为：

传统MIL方法包含众多实用策略，其思想内核至今仍被前沿的深度MIL方法使用；
传统方法均可被深度MIL直接或间接复刻，通过对齐首要了解，可以为后续深度MIL方法学习打下基础；

2.1 传统MIL方法

传统MIL方法大致分为三种：

实例方法：首先预测实例标签，并通过MIL假设计算包标签；
包方法：设计类似于高斯核的MIL包距离度量，使得 $k$ NN和SVM等基于距离矩阵的方法得以施展；
嵌入方法：将包转换为向量，使得传统机器学习策略生效，这也是目前MIL表征学习的基础；

当然，立足于深度MIL方法的小伙伴只需大致了解这类方法。以下是对一些经典方法的归类：

方法名	团队	期刊/会议	全称	思想	领域
ISK	周志华	KDD‘19	Isolation set-kernel and its application to multi-instance learning	基于孤立核设置集合核和嵌入函数	理论
MILDM	悉尼科技大学	TKDE’18	Multi-instance Learning with discriminative bag mapping	利用辨别性优化嵌入结果	理论
miVLAD	周志华	TNNLS’16	Scalable algorithms for multi-instance learning	基于 $k$ Means聚类的高效MIL算法	理论
miFV	周志华	ICDM’14	Scalable multi-instance learning	混合高斯模型及Fisher核编码包为向量	理论
BAMIL	周志华	Applied Intelligence’09	Multi-instance clustering with applications to multi-instance prediction	利用包距离度量和 $k$ Means聚类获取包嵌入向量	理论

2.2 注意力网络

注意力机制的引入是深度MIL发展史上的一次伟大变革，其以Ilse等人发表的ABMIL和GAMIL为伊始，并深刻影响着后续MIL算法的发展。后续的基于对比学习、介入学习等策略的MIL大都围绕其展开，只是方法的侧重有所不同：

方法名	团队	期刊/会议	全称	思想	领域
IBMIL	上海交通大学	CVPR’23	Interventional bag multi-instance learning on whole-slide pathological images	基于训练模型和 $k$ Means的全局特征提取	WSI
CausalMIL	东南大学	NeurIPS’22	Multi-instance causal representation learning for instance label prediction and out-of-distribution generalization
ZoomMIL	IBM 欧洲研究院	ECCV’22	Differentiable zooming for multiple instance learning on whole-slide images	多尺度WSI同时输入	WSI
DSMIL	威斯康星大学	CVPR’21	Dual-stream multiple instance learning network for whole slide image classification with self-supervised contrastive learning	双流架构及自监督对比学习	WSI
TransMIL	清华大学	NeurIPS‘21	TransMIL: Transformer based correlated multiple instance learning for whole slide image classification	基于Transformer的相关型MIL框架	WSI
LAMIL	佛罗里达大学	AAAI’20	Loss-based attention for deep multiple instance learning	额外添加实例损失优化模型且提供理论证明	理论
ABMIL&GAMIL	阿姆斯特丹大学	ICML’18	Attention-based deep multiple instance learning	设计了两种注意力机制来捕捉包中的关键实例	理论

2.3 对比学习

2.4 介入学习

方法名	团队	期刊/会议	全称	思想	领域
IBMIL	上海交通大学	CVPR’23	Interventional bag multi-instance learning on whole-slide pathological images	基于训练模型和 $k$ Means的全局特征提取	WSI

2.5 强化学习

2.6 GAN

3 应用MIL概述

3.1 全幻灯片分类

3.2 视频异常检测

3.3 图像分类

3.4 调制识别

3.4 Benchmark

4 MIL交叉领域

4.1 多示例多标签

4.2 多示例偏标签

4.3 多示例分布外检测

4.4 多示例对抗攻击及防御

4.5 多模态多示例

原文地址:https://blog.csdn.net/weixin_44575152/article/details/135610544 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：https://www.suanlizi.com/kf/1748732624765063168.html 如若内容造成侵权/违法违规/事实不符，请联系《酸梨子》网邮箱：1419361763@qq.com进行投诉反馈，一经查实，立即删除！

阅读全部