An ensemble approach to multi-view multi-instance learning

یادگیری چندین نمایش داده ها را از منابع چندگانه چندگانه ترکیب می کند و اطلاعات تکمیلی آنها را برای ساخت مدل های دقیق تر به کار می گیرد. یادگیری چند نمونه نشانگر نمونه هایی است که حاوی مجموعه ای از موارد است. همگرایی داده ها از مشاهدات مختلف چند نمونه به راحتی می تواند به یک مجموعه ای از ویژگی های متصل به دلیل قدرتمند بودن و فضای ویژگی های مختلف خود را. این مقاله یک رویکرد گروهی است که ترکیبی از دیدگاه زبان آموزان و توافق در میان پیش بینی های کلاس وزن است تا بتواند از اطلاعات مکمل از دیدگاه های مختلف استفاده کند. مهم این است که این گروه باید با فضاهای مختلفی که از هر یک از دیدگاه ها برخورد می کنند برخورد کند، در حالی که داده ها برای کیسه ها ممکن است در نمایشگاه ها نمایان باشند. در این مطالعه تجربی، عملکرد این پیشنهاد را با 20 الگوریتم سنتی، گروهی و چندبعدی در مجموعه ای از 15 مجموعه داده های چندگانه ارزیابی و مقایسه می کند. نتایج تجربی نشان دهنده عملکرد بهتر روش های گروهی نسبت به تک طبقه بندی ها، اما به ویژه بهترین نتایج چندین نمونه رویکرد است. نتایج از طریق تجزیه و تحلیل آماری غیر پارامتری چندگانه معتبر است.