要約
ガウス過程（Gaussian Processes, GPs）は効果的なベイズ予測モデルとして知られている。本研究では、初めて変分ベイズを用いて、複数インスタンス学習（Multiple Instance Learning, MIL）設定下において、GP分類器のインスタンスラベルを推定することに成功した。この成果は、Bagの尤度関数を新たに構築することで達成された。この新たな尤度構造は、インスタンス予測がMILの制約を満たす場合に大きな値を取り、そうでない場合には小さな値を取ることを仮定している。この構成により、変分パラメータに対する更新則を解析的に導出可能となり、スケーラブルな学習と高速な収束を保証する。我々のモデルは、20 Newsgroupsベンチマークにおいて、袋レベルのラベルによるインスタンスラベル予測において、従来の最先端手法を上回る性能を示した。また、組織病理学的組織マイクロアレイ画像から腫瘍部位を局在化するBarrettの腫瘍分類タスクにおいても、同様に性能の向上が確認された。さらに、本モデルと自然に統合可能な弱教師付きオブジェクト検出の新規パイプラインを提案し、PASCAL VOC 2007および2012データセットにおいても最先端の性能を達成した。最後に、弱い（袋）ラベルと強い（インスタンス）ラベルを組み合わせた混合教師信号（mixed supervision）を用いることで、本モデルの性能をさらに向上させられることが示された。