論文の概要: Bag Graph: Multiple Instance Learning using Bayesian Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2202.11132v1
- Date: Tue, 22 Feb 2022 19:16:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 06:57:18.210526
- Title: Bag Graph: Multiple Instance Learning using Bayesian Graph Neural
Networks
- Title(参考訳): Bag Graph:ベイジアングラフニューラルネットワークを用いた複数インスタンス学習
- Authors: Soumyasundar Pal, Antonios Valkanas, Florence Regol, Mark Coates
- Abstract要約: マルチインスタンス学習(MIL)は、ラベルをインスタンスのセットやバッグに割り当てることを目的とした、弱い教師付き学習問題である。
最近の研究は、MIL設定におけるニューラルネットワークモデルの有望な結果を示している。
グラフを用いてバッグ間の相互作用をモデル化し、エンドツーエンド学習を容易にするためにグラフニューラルネットワーク(GNN)を用いる。
- 参考スコア(独自算出の注目度): 22.07812381907525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiple Instance Learning (MIL) is a weakly supervised learning problem
where the aim is to assign labels to sets or bags of instances, as opposed to
traditional supervised learning where each instance is assumed to be
independent and identically distributed (IID) and is to be labeled
individually. Recent work has shown promising results for neural network models
in the MIL setting. Instead of focusing on each instance, these models are
trained in an end-to-end fashion to learn effective bag-level representations
by suitably combining permutation invariant pooling techniques with neural
architectures. In this paper, we consider modelling the interactions between
bags using a graph and employ Graph Neural Networks (GNNs) to facilitate
end-to-end learning. Since a meaningful graph representing dependencies between
bags is rarely available, we propose to use a Bayesian GNN framework that can
generate a likely graph structure for scenarios where there is uncertainty in
the graph or when no graph is available. Empirical results demonstrate the
efficacy of the proposed technique for several MIL benchmark tasks and a
distribution regression task.
- Abstract(参考訳): 複数インスタンス学習(MIL)は、各インスタンスが独立かつ同一に分散(IID)され、個別にラベル付けされるという従来の教師付き学習とは対照的に、ラベルをインスタンスのセットやバッグに割り当てることを目的とした弱い教師付き学習問題である。
最近の研究は、MIL設定におけるニューラルネットワークモデルの有望な結果を示している。
それぞれのインスタンスに焦点を当てる代わりに、これらのモデルはエンドツーエンドでトレーニングされ、置換不変プール技術とニューラルネットワークアーキテクチャを適切に組み合わせて、効果的な袋レベルの表現を学ぶ。
本稿では,袋間の相互作用をグラフを用いてモデル化し,エンドツーエンド学習を容易にするためにグラフニューラルネットワーク(gnns)を用いる。
バッグ間の依存関係を表す有意義なグラフはめったに利用できないため、グラフに不確実性がある場合やグラフがない場合のシナリオに対して、おそらくグラフ構造を生成することのできるベイズGNNフレームワークを提案する。
実験の結果,いくつかのミルベンチマークタスクと分布回帰タスクにおいて提案手法の有効性が示された。
関連論文リスト
- Dual-level Mixup for Graph Few-shot Learning with Fewer Tasks [23.07584018576066]
We propose a SiMple yet effectIve approach for graph few-shot Learning with fEwer task, named SMILE。
メタ学習において利用可能なノードとタスクを同時に強化するために、マルチレベルのミックスアップ戦略を導入し、タスク内とタスク間ミックスアップの両方を包含する。
経験的に言えば、SMILEは、ドメイン内設定とクロスドメイン設定で評価されたすべてのデータセットに対して、他の競合モデルよりも大きなマージンで、一貫して優れています。
論文 参考訳(メタデータ) (2025-02-19T23:59:05Z) - Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
グラフにおけるクロスタスクの一般性を学習するための新しいアプローチを提案する。
グラフ上のタスク空間を整列させるための基本的な学習インスタンスとしてタスクツリーを提案する。
その結果,グラフニューラルネットワークが多種多様なタスクツリーで事前訓練された場合,伝達可能な知識を取得することが示唆された。
論文 参考訳(メタデータ) (2024-12-21T02:07:43Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Two-level Graph Network for Few-Shot Class-Incremental Learning [7.815043173207539]
FSCIL(Few-shot class-incremental Learning)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムを設計することを目的としている。
既存のFSCILメソッドは、サンプルレベルとクラスレベルの意味関係を無視する。
本稿では,サンプルレベルとクラスレベルグラフニューラルネット(SCGN)というFSCIL用の2レベルグラフネットワークを設計した。
論文 参考訳(メタデータ) (2023-03-24T08:58:08Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳(メタデータ) (2022-06-23T20:12:51Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳(メタデータ) (2022-03-03T09:53:53Z) - Graph-Based Neural Network Models with Multiple Self-Supervised
Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。
マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文 参考訳(メタデータ) (2020-11-14T11:09:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。