Neuer Ansatz mit Vektor‑Symbolik erzielt Rekord in Multiple‑Instance‑Learning

In der Welt des Multiple‑Instance‑Learnings (MIL) gilt die strenge Regel: ein Paket gilt nur dann als positiv, wenn mindestens ein darin enthaltenes Beispiel positiv ist. Trotz dieser klaren Logik haben viele aktuelle Deep‑Learning‑Methoden die Regel verletzt, was zu überhöhten Leistungswerten und schlechter Generalisierung führt.

Die neue Studie präsentiert einen völlig anderen Ansatz, der die MIL‑Regel direkt in die Modellarchitektur einbettet. Durch den Einsatz von Vector Symbolic Architectures (VSAs) werden Instanzen und Konzepte als nahezu orthogonale, hochdimensionale Vektoren dargestellt. Algebraische Operationen in diesem Raum sorgen dafür, dass die „iff“-Bedingung bei der Klassifikation strikt eingehalten wird.

Ein lernbarer Encoder wandelt rohe Daten in VSA‑kompatible Vektoren um und erhält dabei wichtige Verteilungseigenschaften. Der VSA‑gesteuerte MaxNetwork‑Classifier nutzt diese Vektoren, um die Klassifikation durchzuführen. Auf Standard‑MIL‑Benchmarks und medizinischen Bilddatensätzen erzielt das Modell bisher die besten Ergebnisse für ein korrektes MIL‑Modell und übertrifft bestehende Methoden, während es gleichzeitig die MIL‑Formulierung strikt respektiert.

Dieses Verfahren bietet eine prinzipielle, interpretierbare und effektive Alternative zu bisherigen MIL‑Ansätzen, die oft auf lernenden Heuristiken basieren. Es zeigt, dass die Kombination aus symbolischer Logik und Deep‑Learning neue Maßstäbe in der Mustererkennung setzen kann.