Variational Bayesian Multiple Instance Learning mit Gaussian Processes

Gaußsche Prozesse (GPs) sind effektive bayessche Vorhersager. Hier zeigen wir erstmals, dass mithilfe der variationalen Bayes-Methode die Instanzlabels eines GP-Klassifikators im mehrfachen Instanzlernungs-(Multiple-Instance-Learning, MIL)-Setting inferiert werden können. Dies erreichen wir durch eine neue Konstruktion der Beutel-Wahrscheinlichkeit, die einen hohen Wert annimmt, wenn die Instanzvorhersagen die MIL-Beschränkungen erfüllen, und einen niedrigen Wert sonst. Diese Konstruktion ermöglicht die analytische Ableitung der Aktualisierungsregeln für die variationalen Parameter und garantiert sowohl skalierbares Lernen als auch schnelle Konvergenz. Wir beobachten, dass das Modell den Stand der Technik bei der Vorhersage von Instanzlabels aus Beutel-Level-Supervision im 20 Newsgroups-Benchmark sowie bei der Lokalisierung von Krebstumoren in histopathologischen Gewebe-Mikroarray-Bildern nach Barrett verbessert. Zudem führen wir eine neuartige Pipeline für schwach überwachtes Objektdetektionsverfahren ein, die sich nahtlos mit unserem Modell kombinieren lässt und die Ergebnisse auf den PASCAL VOC 2007- und 2012-Datensätzen erheblich verbessert. Abschließend lässt sich die Leistung unseres Modells weiter steigern, indem man gemischte Supervision verwendet – eine Kombination aus schwachen (Beutel-) und starken (Instanz-) Labels.