Ponencia en Lacnem 2015 lacnem.org. Articulo que hace parte de mi tesis en vision por computador específicamente en la parte de reconocimiento de patrones. Se presenta un relativamente nuevo paradigma de aprendizaje llamado "Aprendizaje de Multiples instancias" junto con el problema de clases desbalanceadas.
1. 1LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
ESTUDIO COMPARATIVO DE TÉCNICAS DE BALANCEO
DE DATOS EN EL APRENDIZAJE DE MÚLTIPLES
INSTANCIAS
JOSE ARRIETA
CARLOS MERA
2. 2LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
CONTENIDO
INTRODUCCIÓN
El Problema de Clases Desbalanceadas
El Aprendizaje de Múltiples Instancias (MIL)
Desbalanceo de Clases en MIL
EXPERIMENTOS Y DISCUSIÓN DE RESULTADOS
Conjuntos de Datos
Algoritmos usados
Estrategia de Comparación
Resultados y Discusión
CONCLUSIONES Y TRABAJO FUTURO
3. 3LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
INTRODUCCIÓN
EL PROBLEMA DE CLASES DESBALANCEADAS
Se considera que un conjunto de datos de dos clases está desbalanceado cuando el
número de muestras de una de las clases (la clase mayoritaria) sobrepasa el número
de muestras de la otra (la clase minoritaria).
La regla de decisión produce fronteras de decisión sesgadas en favor de la clase
mayoritaria. [HG2009] H. He & E.A. Garcia. “Learning from Imbalanced Data”
Frontera Real
Frontera Sesgada
4. 4LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
INTRODUCCIÓN
ALGORITMOS DE BALANCEO DE CLASES EN LA LITERATURA:
Métodos base
Sub-muestreo y Sobre-muestreo al azar.
Métodos de Sub-muestreo Informativos
Tomek Links
Condensed Nearest
Neighbor Rule One-Sided Selection
Neighborhood Cleaning Rule
Métodos de Sobre-muestreo Informativos
Smote
Borderline-Smote
Adasyn
Métodos Ensamblados
5. 5LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
INTRODUCCIÓN
APRENDIZAJE DE MÚLTIPLES INSTANCIAS (MIL)
No siempre es posible proporcionar datos para entrenamiento completamente
etiquetados debido a que:
Requiere un esfuerzo humano considerable
Requiere pruebas costosas
Desacuerdo entre los expertos
Objetivo MIL: Aprender de datos débilmente etiquetados, donde cada objeto de
entrenamiento (o Bolsa Xi) es representado por un conjunto de vectores de
características (o Instancias Xi,j)
Concepto a aprender: “Playa” Objetos Segmentados
Xi,1
Xi,5
Xi,2
Xi,3
Xi,4
Bolsa Xi
6. 6LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
INTRODUCCIÓN
APRENDIZAJE DE MÚLTIPLES INSTANCIAS (MIL)
Un conjunto de entrenamiento consiste de una colección de Bolsas
Una Bolsa es etiquetada positiva si existe al menos una Instancia positiva en ella
Bolsa Negativa (Bi
-) Bolsa Positiva (Bi
+)
Un conjunto de entrenamiento toma la forma B={(B1,y1),…,(Bn,yn)} donde
cada Bolsa Bi={xi1, . . . , xini } es un conjunto con ni instancias y con
etiqueta yi=+1, para la clase positiva, o yi=-1, para la clase negativa.
7. 7LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
INTRODUCCIÓN
EL APRENDIZAJE DE MÚLTIPLES INSTANCIAS (MIL)
Los algoritmos MIL pueden ser agrupados en: [Amores2013]
Instance Space (IS) (BUSCAR ESSTOO Y ALGORITMOSs)
Axis-Parallel Rectangle (APR) [DLL1997]
mi-SVM [ATH2003]
MIL-Boost [BYB2009]
Bag Space (BS)
Citation-kNN [WZ2000]
Embedded Space (ES)
Multiple-Instance Learning via Embedded Instance Selection (MILES) [CBW2006]
[Amores2013] J. Amores: “Multiple instance classification: Review, taxonomy and comparative study”
[ATH2003] S. Andrews et al.: “Support vector machines for multiple-instance learning”
[WZ2000] J. Wang and J. Zucker: “Solving the multiple-instance problem: A lazy learning approach”
[BYB2009] B. Babenko et al.: “Visual tracking with online multiple instance learning”
La mayoría de los métodos existentes NO consideran directamente
el problema de los conjuntos de datos desbalanceados , lo que
disminuye el rendimiento normalmente alcanzable por la mayoría de
los algoritmos de MIL
8. 8LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
INTRODUCCIÓN
EL PROBLEMA DE CLASES DESBALANCEADAS EN MIL
A nivel de Instancias: Instancias negativas predominan el conjunto de datos
A nivel de Bolsas: Bolsas negativas superan a las positivas
En Ambos niveles
9. 9LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
ESTRATEGIA DE COMPARACIÓN
MÉTODOS DE MUESTREO USADOS EN MIL
SOBRE-MUESTREO: Agregar a cada bolsa el número de instancias sintéticas
necesarias para que todas las bolsas tengan el número máximo de instancias
(SMOTE al azar)
SUB-MUESTREO:
1. Eliminar de cada bolsa tantas instancias al azar, como sea necesario para que
cada bolsa tenga el número mínimo de instancias.
2. OSS
MIXTO: Sobre-muestreo (SMOTE al azar) + Sub-muestreo (eliminación al azar).
10. 10LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
ESTRATEGIA DE COMPARACIÓN
ALGORITMOS MIL USADOS EN LOS EXPERIMENTOS
APR con un umbral 𝑡 = 0,1.
Citation-kNN con k=3 (denominado C-kNN).
mi-SVM con un kernel de base radial y un parámetro de regularización 𝐶 = 10.
MILES con un kernel de base radial y un parámetro de regularización 𝐶 = 10.
Los resultados obtenidos se resumen en las Tabla 2 y 3, para las métricas AUC y F1,
respectivamente.
11. 11LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
EXPERIMENTOS Y RESULTADOS
CONJUNTOS DE DATOS USADOS: En la siguiente tabla se detallan los conjuntos de
datos utilizados en los experimentos, resaltando el desbalance a nivel de bolsas e
instancias. Tabla 1. Conjuntos de Datos de Prueba
Conjunto de
datos
Bolsas + Bolsas - Inst + Inst - Pro Min Max
Musk1 47 45 207 269 5 2 40
Musk2 39 63 1017 5581 65 1 1044
Elephant 100 100 762 629 7 2 13
Fox 100 100 647 673 7 2 13
Tiger 100 100 544 676 6 1 13
Muta1 125 63 7790 2696 56 28 88
Muta2 13 29 660 1472 51 26 86
Bird WIWR 109 439 1824 8408 19 2 43
Bird BRCR 197 351 4759 5473 19 2 43
Web1 17 58 488 1724 29 4 131
Web2 18 57 499 1720 30 5 200
12. 12LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
EXPERIMENTOS Y RESULTADOS
Conjuntos de datos
[Algoritmo]
Original
Sobre-
Muestreo
Sub-
Muestreo
OSS
Muestreo
Mixto
Musk1 [C-kNN] 87,86 43,06 83,47 85,19 70,14
Musk2 [mi-SVM] 73,69 * 75,36 72,39 72,77
Elephant [mi-SVM] 77,84 74,91 78,42 * 76,88
Fox [MILES] 67,56 40,64 64,99 65,69 62,24
Tiger [MILES] 80,02 48,85 73,92 78,88 78,93
Muta1 [mi-SVM] 84,20 79,74 79,98 * 81,64
Muta2 [mi-SVM] 53,28 45,72 51,52 52,97 48,31
Bird WIWR [MILBoost] 84,50 78,78 47,43 33,18 80,45
Bird BRCR [MILBoost] 80,13 71,37 59,40 52,93 79,07
Web1 [mi-SVM] 56,20 36,10 44,07 59,78 51,45
Web2 [mi-SVM] 61,09 30,14 46,50 57,74 56,52
Tabla 2. Resultados para la Métrica F1x100
13. 13LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
EXPERIMENTOS Y RESULTADOS
Tabla 3. Resultados para la Métrica AUCx100
Conjuntos de datos
[Algoritmo]
Original
Sobre-
Muestreo
Sub-
Muestreo
OSS Muestre Mixto
Musk1 [C-kNN] 91,51 49,89 84,37 90,64 61,4
Musk2 [mi-SVM] 91,24 * 91,99 90,69 91,11
Elephant [mi-SVM] 91,76 91,03 90,55 * 91,11
Fox [MILES] 73,72 64,36 68,41 72,39 67,53
Tiger [MILES] 88,62 77,25 82,37 87,35 87,26
Muta1 [mi-SVM] 83,39 67,13 78,71 * 75,72
Muta2 [mi-SVM] 72,49 72,38 66,56 71,98 70,9
Bird WIWR [MILBoost] 92,14 89,70 96,39 41,77 90,09
Bird BRCR [MILBoost] 93,14 89,76 92,54 83,49 91,81
Web1 [mi-SVM] 83,27 80,27 78,49 82,17 82,97
Web2 [mi-SVM] 84,80 80,02 82,39 83,26 85,95
14. 14LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
EXPERIMENTOS Y RESULTADOS
DISCUSIÓN DE RESULTADOS: Las siguientes observaciones pueden ser realizadas a
partir de los experimentos
El sobre-muestreo desempeña siempre inferior en las métricas usadas con
respecto al conjunto de datos original, debido a la mayor probabilidad de
seleccionar instancias negativas para crear instancias sintéticas , lo cual
aumenta la ambigüedad dentro de la bolsa y dificulta la clasificación.
Los resultados del sub-muestreo en términos generales no es mejor que la
muestra de datos original esto debido a la forma como la realizan los métodos de
sub-muestreo, conlleva a una pérdida de información importante para la
definición de las fronteras de decisión.
15. 15LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
CONCLUSIONES Y TRABAJO FUTURO
Los métodos de muestreo para conjuntos de datos de una sola instancia no
pueden ser aplicados directamente a conjuntos de datos MIL ya que afecta
negativamente el desempeño del clasificador.
Es necesario tener en cuenta la naturaleza ambigua de las bolsas positivas,
duplicando las instancias realmente positivas y eliminando las instancias
negativas que causen ambigüedad.
El trabajo futuro en esta área de investigación, debe estar dirigido a desarrollar
métodos de balanceo que tengan en cuenta las particularidades de los
conjuntos de datos tipo MIL y los tres tipos de desbalanceo que se pueden
presentar en los mismos.
16. 16LACNEM 2015 – JOSE ARRIETA Y CARLOS MERA
PREGUNTAS
JOSE ARRIETA, CARLOS MERA
E-mail: jmarrietar@unal.edu.co
GRACIAS!!