Resumen

Dado que los conjuntos de datos del mundo real suelen contener grandes instancias, resulta significativo desarrollar un algoritmo de aprendizaje de instancias múltiples (MIL) eficiente y eficaz. Como paradigma de aprendizaje, el MIL es diferente del aprendizaje supervisado tradicional que maneja la clasificación de bolsas que comprenden instancias no etiquetadas. En este trabajo, se propone un nuevo método eficiente basado en la máquina de aprendizaje extremo (ELM) para abordar el problema del MIL. En primer lugar, se selecciona la instancia más cualificada en cada bolsa a través de una red feedforward de una sola capa oculta (SLFN) cuyos pesos de entrada y salida se inician aleatoriamente, y la única instancia seleccionada se utiliza para representar cada bolsa. En segundo lugar, el modelo ELM modificado se entrena utilizando las instancias seleccionadas para actualizar los pesos de salida. Los experimentos con varios conjuntos de datos de referencia y conjuntos de datos de regresión de instancias múltiples muestran que el ELM-MIL consigue un buen rendimiento; además, funciona varias veces o incluso cientos de veces más rápido que otros algoritmos MIL similares.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:peso de salida, modelo elm modificado, aprendizaje supervisado tradicional, conjunto de datos del mundo, clasificación de la bolsa, instancia múltiple eficaz, red feedforward de capas, métodos eficaces novedosos, máquina de aprendizaje extremo, conjunto de datos de regresión
• Keywords:output weight, modified elm model, traditional supervised learning, world data set, classification of bag, effective multiple instance, layer feedforward network, novel efficient methods, extreme learning machine, regression data set