适应 RBF 神经网络的多示例学习

资 源 简 介

适应 RBF 神经网络的多示例学习

详 情 说 明

RBF神经网络（径向基函数神经网络）是一种常用于模式识别和非线性函数逼近的机器学习模型。其核心思想是利用径向基函数作为隐层节点的激活函数，通过将输入数据映射到高维空间来实现复杂分类。

在多示例学习（MIL）场景中，训练数据以“包”的形式组织，每个包包含多个实例，但只有包级别标签。传统RBF网络直接处理单实例数据，需针对MIL问题改进其学习机制。

主要改进方向包括： 包级别特征提取 - 通过聚合包内实例的RBF输出来生成包表示 距离度量调整 - 设计适用于包间相似性计算的核函数 决策边界优化 - 根据包标签调整隐层到输出层的权重更新策略

这种方法在图像分类、药物发现等领域展现出优势，尤其是当目标物体可能出现在图像局部区域（实例），但只有整图标签（包）时。关键挑战在于保持RBF网络快速收敛特性的同时，解决包内实例标签模糊性问题。