Apprentissage par lots multiples bayésien variationnel avec processus gaussiens

Les processus gaussiens (GPs) sont des prédicteurs bayésiens efficaces. Nous montrons ici pour la première fois que les étiquettes d’instances d’un classificateur GP peuvent être inférées dans le cadre d’apprentissage par lots (multiple instance learning, MIL) en utilisant une approche bayésienne variationnelle. Cela est réalisé grâce à une nouvelle construction de la vraisemblance du lot, qui prend une valeur élevée lorsque les prédictions des instances respectent les contraintes MIL, et une valeur faible sinon. Cette construction permet d’obtenir analytiquement les règles de mise à jour des paramètres variationnels, assurant ainsi un apprentissage évolutif et une convergence rapide. Nous observons que ce modèle améliore l’état de l’art de la prédiction des étiquettes d’instances à partir d’étiquettes de lots (bag-level supervision) sur le benchmark 20 Newsgroups, ainsi que dans la localisation de tumeurs cancéreuses à partir d’images de micro-array tissulaire d’histopathologie, dans le cadre de l’étude de Barrett. En outre, nous proposons une nouvelle chaîne de traitement pour la détection d’objets sous supervision faible, naturellement complémentaire de notre modèle, qui améliore l’état de l’art sur les jeux de données PASCAL VOC 2007 et 2012. Enfin, la performance de notre modèle peut être encore renforcée par une supervision mixte, combinant des étiquettes faibles (par lot) et des étiquettes fortes (par instance).