示例

230601)多示例学习样本由示例所组成的集合所构成。Dietterich等人在通过机器学习方法研究麝香分子是否具有活性时发现[1]，分子具有多种形状，我们只知道分子是否具有活性，无法得知哪一种形状能够让该分子具有活性。传统监督学习中样本和样本类别一一对应，而多示例学习中的样本和包的类别是多对一的关系(如图1所示)，人工筛选具有活性的麝香分子是一件非常耗时耗力的工作。由于具有活性的分子(正包)中包含大量噪声(假正例)，监督学习算法直接应用于多示例问题时难以

草上。2.B3.示例：露珠是小水珠，在太阳的照射下化成水蒸气飞散了。段落（3）1.2 天上 水里2. ① ② ① ②3.A√4.示例：举头望明月，低头思故乡。段落（4）1.42.示例：我一边唱歌一边跳舞。3.练习说一百遍“我爱你……”4.B段落（5）1.红的 白的 紫的 暗红的 淡绿的 五光十色2.C3. ③ ① ②段落（6）1.lián  yìng2.B3.碧  红

低能形状都作为正示例，无活性分子的全部低能形状作为负示例，然后用传统监督分类器训练，在预测阶段，会导致很高的假阳性率，为此，Dietterich等人[1]提出了多示例学习。在多示例学习框架下，训练对象是包，一个包中有多个示例，包的标签是已知的，包中示例的标签是未知的，多示例学习的目标是对未知包进行标记。标准多示例假设规定：正包中至少有一个正示例，负包中全部都是负示例。在分子活性预测问题中，分子由包表示，分子的低能形状由示例表示，活性分子对应包的标签为正，无

桃子 辣椒2.【示例】潔白的云朵像一只只羊羔，让人喜欢。3.【示例】无论做什么事情都要仔细、认真，不然是要吃亏的。段落二1.， ：“ ， ， ？”2.只缕 口个3.闷 危险 舒服4.【示例】对比两只青蛙，我喜欢小青蛙，因为它坚强敢于树立目标、勇于挑战，还有坚持不懈的精神。阅读主题二：乡音难觅段落一1.【示例】这隐隐飘来的桂花香里边包含了作者对家乡的无限思念之情，在这些回忆之中表达了作者的情感寄托以及对家乡山山水水的喜爱和怀念。2.【示例】当我吃到土豆炒辣椒

你……3.②4.示例：听话懂事段落二1.但是埃米尔很高兴，他一路吹着口哨，唱着歌。2.把它们倒进铜锅里，放在他爸爸卧室的床边。3.③4.示例：淘气5.示例：他的爸爸醒来后会吓一大跳。阅读主题二：四季之美段落一1.① ③ ②2.示例：棉花 白蝴蝶段落二1.3 32.双 位 把3.示例：一台空调 把闷热的天气变得凉爽阅读主题三：生之赞歌段落一1.野火燒不尽 春风吹又生2.春 夏 秋 冬3.火热 酷热4.小草像一位慈爱的母亲把人们抱在怀里，为劳累的人们消除酷热带

化学院 林志全多示例学习已应用于许多场景，如图像分类、恶意软件分类、文档分类、对象检测等。在多示例学习中，训练数据集中的每个数据都是一个包，包由多个示例组成。包有类别标签，实例没有类别标签。而学习的最终目标是给出新包的类别预测。我们以图像分类为例，每个图像都被视为一个包，图像被分成多个部分，每个部分可以看作是其中一个示例，对应多个示例在袋子里。如果图像是我们需要的图像，那么这个包就是一个正包，具有此图像特征的示例就是一个正示例。传统的分类学习方法，往往都是

结构，充分利用多示例学习框架的优点，结合支持向量机中的多类分类算法，对具有特殊结构的文本分类问题展开研究，最后通过实验验证本文提出算法的有效性。1 相关研究多示例学习(multi instance learning，MIL)源于20世纪90年代Dietterich等在研究药物分子活性(drug activity prediction)检测问题时提出的一种新的学习方法[3]。多示例学习方法作为机器学习中从监督式学习演变出的一种新方法，自提出以来，一直是学者研

39)引　　言多示例学习这一新型机器学习框架是Dietterich等于1997年进行药物分子活性预测研究时提出的[1]。其实质是对由多个示例组成的包进行学习并对未知标记的包进行预测。目前已在图像分类[2]、图像检索[3-5]、视觉追踪[6]和行人检测[7]等方面得到广泛的应用。总体来说，多示例学习主要分为两类。一类从包与示例之间的关系出发，寻求解决多示例学习问题的途径。1988年，Maron等[8]提出多样性密度(Diverse density, DD)算

什么坏事都做。【示例】他依仗官高权大，目中无人，无所不为。【误用】常被误指为能力强，没有什么不能做的。12.炙手可热【释义】比喻权势大，气焰盛（多指权贵气势盛），使人不敢接近。【示例】在刘志军炙手可热的时候，一些问题大家都不敢开口。【误用】现常被误用为某样事物很红或很抢手，非常流行受追捧。13.差强人意【释义】差：程度副词，勉强。大体上使人满意。【示例】那几幅画都不怎么样，只有这一幅梅花图还差强人意。【误用】经常被误用为不能使人满意。14.不足为训【释义】

测；任意姿态；多示例学习1 引言多姿态人体检测在日常生活中有很多重要的应用[1]。例如在人类行为估计中[2]，人们首先需要检测人体的位置，为头、手、脚等其他部分提供参考定位。对于智能机器人，它的活动必须避免碰撞人类，但房间里的人不会总是直立的，他们可以是趴着、坐着、躺着，或者是其他姿态。图1说明了一些不同姿态的人体，其中的图片来自LSP数据集[3]。因此检测任意姿态的人体变得十分必要[4]。Fig.1 Illustration of human body

写句子练习1. 示例：如春天里的一缕清风，为我送来芬芳。2. 示例：欣赏是一抹阳光，催开含苞的花蕾。3. 示例：生动的人物形象，跃然纸上，让我们拍案叫绝。4. 示例：碧水是她明亮的双眸，云雾是她迷人的面纱。5. 示例：妈妈是一本思想教科书。外表虽然枯燥，但心地善良，乐于助人。和她在一起，能陶冶情操，感受大爱。6. 示例：人生犹如一幅画卷，等待我们去精心描绘；人生犹如一曲乐章，等待我们去用心演奏。7. 示例：①汽车的广泛利用可以方便人们出行，也可以成为雾霾天

或［S.l.］。示例1：［出版地不详］：三户图书刊行社，1990示例2：［S.l.］：Mac Millan，19853） 无出版者，可著录［出版者不详］或［s.n.］。示例3：昆明：［出版者不详］，2005示例4：New York：［s.n.］，2001注意：不要出现［S.l.］：［s.n.］这样的著录形式。4） 出版年无法确定时，可依次选用版权年、印刷年、估计的出版年，估计的出版年置于“［］”内。示例5：c1986：146－149示例6：1993印刷：4

或［S.l.］。示例1：［出版地不详］：三户图书刊行社，1990示例2：［S.l.］：Mac Millan，19853） 无出版者，可著录［出版者不详］或［s.n.］。示例3：昆明：［出版者不详］，2005示例4：New York：［s.n.］，2001注意：不要出现［S.l.］：［s.n.］这样的著录形式。4） 出版年无法确定时，可依次选用版权年、印刷年、估计的出版年，估计的出版年置于“［］”内。示例5：c1986：146－149示例6：1993印刷：4

1.示例：不要因为委屈而迁怒他人，重要的是练就宽广的胸怀。2.示例：因为海洋浩瀚，鱼儿才可以悠然畅游。3.示例一：红梅傲雪，白杏吐蕊，绽放着生活的芬芳。示例二：金风送爽，白雪轻舞，吟咏着生活的美好。4.示例一：从鸣蝉的欢唱中，我们感受到夏天的热烈。示例二：从潮水的起落中，我们体悟到生命的节奏。5.B6.示例一：一片绿叶里有春天的影子，一个微笑里有鼓励的影子。示例二：一朵白云里有天空的影子，一次抚摸里有信任的影子。7.第③句。8.一只风筝，彰显自省精神。（《

30070)在多示例学习(multiple instance learning，MIL)中，训练集由具有概念标记的包组成，包是若干示例的集合，如果包被标记为正，则包中至少有一个示例为正;如果包被标记为负，这个包中所有的示例都为负。多示例学习中存在的最大挑战在于虽然包的概念标记是已知的，但正包中的示例的概念标记是模糊的，不能将包的标记直接传递给包中的示例。其学习任务是通过对训练集中有标记包的学习，建立和优化目标概念模型，对未标记的包或示例分类或预测。传统多示