利用图神经网络进行多实例学习

ICMLJun, 2019

Multiple instance learning with graph neural networks

Ming Tu, Jing Huang, Xiaodong He, Bowen Zhou

TL;DR本文提出一种基于图神经网络的多实例学习算法，将每个数据包视为图，并使用图神经网络学习包嵌入，利用实例之间的结构信息来预测标签。实验证明，该算法在多个常用数据集上达到了最先进的效果，且不失模型的可解释性。

Abstract

multiple instance learning (MIL) aims to learn the mapping between a bag of instances and the bag-level label. In this paper, we propose a new end-to-end graph neural network (GNN) based algorithm for MIL: we tre

multiple instance learning graph neural network bag embedding classifier model interpretability

发现论文，激发创造

基于注意力机制的深度多示例学习

本文提出了一种基于神经网络的置换不变聚合运算符，并展示了其在多个 MIL 数据集上的实验表现，特别是在两个真实组织病理学数据集上的表现，同时保持了可解释性。

Feb, 2018

利用神经网络形式主义解决多实例问题

本文提出了一种基于神经网络的多实例学习技术，在 14 个公开基准数据集上进行了八种分类器的比较，结果表明该技术可以有效地优化和发现袋子中的未知模式

Sep, 2016

使用马尔科夫网络的判别训练进行多实例学习

本文提出了一种基于马尔可夫网络的多实例学习图形框架，可用于建模传统的 MIL 定义以及更一般的 MIL 定义，并在弱监督数据中探索了不同水平的不确定性。为了训练这些模型，我们提出了一种利用基于基数的 cliques 的有效推理的判别最大化边际学习算法。实验结果表明编码或学习不确定性的程度可以提高分类性能。

Sep, 2013

多实例神经网络的重访

该论文探讨了利用神经网络解决多示例学习问题，并提出了一种新的多示例神经网络来学习 “bag representations”，该网络采用深度监督和反向传播进行参数优化，并在多项基准测试中取得了最优或竞争性能。

Oct, 2016

多实例学习的模型无关可解释性

本文研究了多示例学习（MIL）中模型的可解释性，并提出了几种模型无关的方法来满足这些要求，在多个数据集上与现有的基于模型的 MIL 模型进行比较，并取得了高达 30% 的解释性准确性的提高。同时研究了这些方法识别实例间相互作用的能力和扩展到大型数据集，从而提高了它们应对实际问题的能力。

Jan, 2022

基于包的不相似性的多示例学习

本文提出了一种基于袋之间的不相似性的向量表示方法，用于多实例学习中的学习和分类，这种方法在多个 MIL 数据集上都具有与最先进算法相当的性能，计算代价较小。

Sep, 2013

多实例学习：问题特征和应用综述

本文综合研究了不同类型的多实例学习问题的特点，并提供了解决每一类问题的方法，考察了这些特征在关键应用领域中的体现，最后通过实验比较了 16 种最先进的算法在所选问题特征上的性能。

Dec, 2016

任意假设类的多示例学习

本文提出了一种新的基于 PAC 学习的算法来处理多实例学习中的分类问题，并进行了理论分析，证明了这种算法的样本复杂度仅与背包的大小呈对数关系。

Jul, 2011

用于检测顺序现实数据集中异常的多实例学习

本文研究了如何通过多实例学习 (MIL) 方法在不完全了解异常标签的情况下，检测来自不同物理过程及不同模式的实际数据集中的异常，经过实验评估，该方法在挑战性数据集上的表现优于单实例学习，并具有一定的扩展性。

Oct, 2022

基于图形的标签增强多示例多标签学习

本文提出了一种基于图标签增强的新的多实例多标签分类学习框架（GLEMIML）以提高分类性能和利用标签的重要性。GLEMIML 首先通过建立图识别实例之间的相关性，然后通过非线性映射将从特征空间挖掘到的隐含信息迁移到标签空间，从而恢复标签的重要性，并通过匹配和交互机制训练增强的数据，GLEMIML (AvgRank:1.44) 在多个基准数据集上表现出比 SOTA 方法 (AvgRank:2.92) 更好的结果。

Apr, 2023