袋图：使用贝叶斯图神经网络的多示例学习
机器学习
2022-02-24 v1
摘要
多示例学习（MIL）是一种弱监督学习问题，其目标是为实例的集合或袋分配标签，而非传统监督学习中每个实例被假设为独立同分布（IID）并单独标记。近期工作已展示神经网络模型在MIL设定中的 promising 结果。这些模型不关注每个实例，而是以端到端方式训练，通过适当结合置换不变池化技术与神经架构来学习有效的袋级表示。在本文中，我们考虑使用图对袋之间的交互建模，并采用图神经网络（GNNs）来促进端到端学习。由于表示袋之间依赖关系的有意义图很少可用，我们提出使用贝叶斯GNN框架，该框架可在图存在不确定性或无图可用的情况下生成可能的图结构。实证结果证明了所提技术在多个MIL基准任务和分布回归任务中的有效性。
引用
@article{arxiv.2202.11132,
title = {Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks},
author = {Soumyasundar Pal and Antonios Valkanas and Florence Regol and Mark Coates},
journal= {arXiv preprint arXiv:2202.11132},
year = {2022}
}