论文学习-多示例学习系列-Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks

Posted 2022-04-17 amcomputer

Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks

文章链接：https://arxiv.org/pdf/2202.11132.pdf
论文涉及代码：https://github.com/networkslab/BagGraph

1 摘要

多实例学习(MIL)是一个弱监督学习问题，其目标是为示例集或包分配标签，而不是传统的监督学习，监督学习中每个示例都假定是IID，并被单独标记。最近的工作显示了在MIL场景的神经网络模型也有不错的结果。这些模型不是专注于每个实例，而是以端到端的方式训练，通过适当地改变池化技术并与神经体系结构结合起来，学习有效的包级表示。在本文中，我们考虑使用graph建模包之间的交互，并使用图神经网络(gnn)来促进端到端学习。由于表示包之间依赖关系的有意义的图很少可用，我们使用贝叶斯GNN框架，该框架可以为图中存在不确定性或没有图可用的场景生成可能的图结构。实验结果表明，该方法对多个MIL基准测试任务和一个分布回归任务都是有效的。

2 介绍

3 相关工作

4 所提方法

5 实验

实验和讨论就不描述了
…

6 结论

在本文中，我们提出了一种新的基于图的MIL方法，该方法能够解决需要标记的袋子之间存在关系信息的学习问题。我们采用了一个贝叶斯图神经网络框架，它允许从数据中推断出一个图，因此我们的方法也适用于传统的MIL设置，其中没有指定图。所提出的方法一般适用于各种各样的MIL问题设置，因为它可以结合各种现有的基于深度学习的MIL模型来学习包表示，并通过端到端训练使用贝叶斯GNN对它们进行聚合。实验结果表明，该方法在MIL基准数据上的性能可以与目前最先进的算法相媲美，在文本分类、选举结果预测和租金回归等方面具有更好的性能。

一些潜在的未来研究方向包括通过使用归纳的GNN变体使方法适应归纳设置(Hamilton, Ying，和Leskovec 2017)，并通过使用节点或图抽样提高整体架构的训练效率(Chiang等人2019;Zeng et al. 2020)。