多示例学习 (multi-instance learning, MIL)学习路线 (分类)

文章目录

  • 1 简单认知
  • 2 学习伙伴
    • 2.1 关于这本书的使用
    • 2.2 不同方向的多示例方法
      • 2.2.1 基于实例的方法
      • 2.2.2 基于包的方法
      • 2.2.3 基于嵌入的方法
      • 2.2.4 网络方法
  • 3 资源库
    • 3.1 数据集
    • 3.2 代码
    • 3.3 大佬主页
  • 4 论文阅读
    • 4.1 摘要
    • 4.2 算法
    • 4.3 实验
  • 5 代码能力
    • 5.1 书籍推荐
    • 5.2 算法复现
  • 6 学习路线图

1 简单认知

  作为完全的新手,推荐先去维基百度看看多示例的简介,再去CSDN等地方阅读一些多示例的综述博客,有一个总体的认知:即多示例是一种处理称之为的学习范式,每个包由多个对象组成,一个包对应一个标签,实例通常不含标签,如下图 (b)。
多示例学习 (multi-instance learning, MIL)学习路线 (分类)_第1张图片
  小提示:主要说分类,因为回归啥的大同小易,当然我也没有专门去搞。

2 学习伙伴

  一般而言,综述性论文或者书籍是学习一个方向的好伙伴,这里推荐一本书:Multiple instance learning foundations and algorithms,其囊括了16年以前关于多示例学习的发展历程、应用领域、前沿算法、实验手段等,其封面如下:
多示例学习 (multi-instance learning, MIL)学习路线 (分类)_第2张图片

  小提示:这本书的原版是收费滴,请自行找资源下载。如实在不行,私发我你的邮箱,然而我发你。

2.1 关于这本书的使用

  主要当作手册之类的,当然你如果能在一个月内快速翻阅,对你的帮助无疑是巨大的。

2.2 不同方向的多示例方法

  简单的划分了一下:
多示例学习 (multi-instance learning, MIL)学习路线 (分类)_第3张图片
  主要分为两类,传统的就是要去分析数据的结构,设计一套优化方法之类的。目前本人主要研究基于嵌入的方法,其他的话大致提一下。

2.2.1 基于实例的方法

  看学习伙伴那本书,说的很清楚。

2.2.2 基于包的方法

  入门文章Multi-instance learning by treating instances as non-I.I.D. samples
  小提示:不要直接读我博客,自己读文章,咋个读后面说。
  进阶文章Isolation set-kernel and its application to multi-instance learning
  这一篇提了一个距离度量,不过它后续的处理方法是基于嵌入的方法。当然这篇难度较大,读不懂跳过。

2.2.3 基于嵌入的方法

  开山之作Multi-instance clustering with applications to multi-instance prediction
  进阶文章Multi-instance learning with discriminative bag mapping

2.2.4 网络方法

  这个的话,传统的方法都可以看,多示例的也要看,推荐两篇:
  注意力机制Attention-based deep multiple instance learning
  损失注意力Loss-based attention for deep multiple instance learning

3 资源库

3.1 数据集

  https://blog.csdn.net/weixin_44575152/article/details/104769348

3.2 代码

  我的Github复现了一些,地址在本人置顶博客中,其他的自己找,一般都是开源,推荐自己先复现。

3.3 大佬主页

  周志华老师http://129.211.169.156/publication/index.html?authors=Zhi-Hua%20Zhou

4 论文阅读

  按照先后顺序排列,同时也需要把每篇文章记录下来,建议一周至少一篇。

4.1 摘要

  先读这个,记录下别人的要点,如背景、拟解决问题、手段等。

4.2 算法

  一般来说,引入就是吹牛逼的,相关工作是致敬大佬的,除了前期了解的时候和写论文的时候,都直接跳过。
  算法部分是文章的精华,所包含的一些技术甚至可以转换为自己学习的武器。尤其在准备复现这篇文章时,需要细致研读。
  小提示:别人画的图需要学习下,方便以后自己画的时候用。

4.3 实验

  重点记录别人的实验手段、实验数据、对比算法。

5 代码能力

  推荐:精通Python和类似于C、C++这样的语言。
  说明:Python方便实验、C等方便学习算法的思想。

5.1 书籍推荐

  1)机器学习实战;
  2)Pytorch中文教程。
  当然这些的前提是你对python有一定的了解。

5.2 算法复现

  自己尝试复现算法,这是你后续实验中可能使用到的。

6 学习路线图

多示例学习 (multi-instance learning, MIL)学习路线 (分类)_第4张图片

你可能感兴趣的:(论文写作,多示例,因吉与皮卡墨)