ULTRA: post #406 — TG.ME

مدل APW: ترکیبی از یادگیری در سطح جزء و کل اختصار APW که از عبارت کامل Aggregated Probability Weighted گرفته شده و به معنای «مدل تجمیع شده وزنی بر پایه احتمال» می‌باشد، یک مدل مرکب برای پیش‌بینی چه از نوع کیفی و چه از نوع کمی است. در بسیاری از مسائل یادگیری ماشین، داده‌ها به‌صورت «کیسه‌ای از نمونه‌ها گردآوری می‌شوند. برای مثال، ممکن است هر «بیمار» (به‌عنوان یک کیسه) شامل مجموعه‌ای از «اندازه‌گیری‌های سلولی» (به‌عنوان نمونه‌ها) باشد و پاسخ نهایی تنها در سطح بیمار مشخص باشد، نه برای هر سلول. در چنین شرایطی، مدل‌های سنتی رگرسیونی قادر به تشخیص نقش هر نمونه در پاسخ کل نیستند. مدل APW برای حل همین مسئله طراحی شده است. ایدهٔ اصلی مدل مدل APW دو گام کلیدی دارد: ۱-‌ در گام نخست، با استفاده از یک مدل رگرسیون لجستیک، احتمال «اهمیت» یا «مشارکت واقعی» هر نمونه در پاسخ نهایی برآورد می‌شود (البته اخیرا از روش‌های دیگه‌ای برای وزن‌دهی به نمونه‌ها در یادگیری‌های چند نمونه‌ای استفاده می‌شود، مانند مقاله یادگیری چند نمونه‌ای عمیق بر پایه توجه که از ایده APW برای پیاده‌‌سازی یک مدل یادگیری چند‌نمونه‌ای و البته استفاده از شبکه‌های عصبی برای وزن‌دهی به نمونه‌ها بهره برده‌ است)*. ۲-‌ سپس، ویژگی‌های هر کیسه با میانگین‌گیری وزنی (بر اساس همان احتمال‌ها) تجمیع شده و وارد یک مدل رگرسیونی در سطح کل (مثلاً یک مدل خطی ساده) می‌شود. به این ترتیب، APW ارتباط بین ساختار درونی نمونه‌ها و پاسخ نهایی را به‌طور انعطاف‌پذیر مدل می‌کند. * Ilse, Maximilian; Tomczak, Jakub M.; Welling, Max. Attention-based Deep Multiple Instance Learning. Proceedings of the 35th International Conference on Machine Learning (ICML 2018), PMLR 80: 2127–2136