論文の概要: Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis

• arxiv url: http://arxiv.org/abs/2608.06037v1
• Date: Thu, 06 Aug 2026 13:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.768931
• Title: Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis
• Title（参考訳）: グラフベース多重インスタンス学習によるインプシットと明示的リレーショナルビアーゼの統合:皮膚病変診断の事例研究
• Abstract要約: 本研究では、画像分類のための二重レベルフレームワークについて検討する。 暗黙の表現学習と明示的な構造モデリングのギャップを埋める。 実験結果から,暗黙的なインターパッチモデリングと明示的なグラフベースのメッセージを組み合わせることで,最良の結果が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational inductive biases are essential for capturing structural dependencies among data. This study investigates a dual-level relational framework for image classification, bridging the gap between implicit representation learning and explicit structural modelling. We begin by establishing a baseline using an EfficientNetB3 architecture. To move beyond standard convolutional biases, we adopt a patch-based strategy, employing a convolutional masked autoencoder to learn implicit inter-patch relationships through self-supervised reconstruction. We then extend this approach by incorporating explicit relational modelling, organizing the learned embeddings into various graph topologies, including grid-based, random, and k-nearest neighbour structures. Experimental results on the ISIC-2018 and ISIC-2019 skin lesion diagnosis benchmarks show that combining implicit inter-patch modelling with explicit graph-based message passing yields the best performance. On the ISIC-2018 test set, the baseline model achieves a balanced accuracy of 76.17%, which improves to 77.12% with implicit patch-based relational modelling. The fully integrated grid-structured Graph Attention Network further increases performance to 79.27%. Similarly, on ISIC-2019, the implicit approach reaches 59.84% balanced accuracy, while the combination of implicit and explicit modelling yields 60.67%.
• Abstract（参考訳）: 関係帰納バイアスは、データ間の構造的依存関係を捉えるのに不可欠である。 本研究では、暗黙的表現学習と明示的構造モデリングのギャップを埋め、画像分類のための二重レベル関係フレームワークについて検討する。 まず、EfficientNetB3アーキテクチャを使ってベースラインを確立する。 標準的な畳み込みバイアスを超えて、私たちは、畳み込みマスク付きオートエンコーダを用いて、自己教師による再構築を通じて、暗黙のパッチ間関係を学習するパッチベースの戦略を採用する。 次に、明示的なリレーショナルモデリングを取り入れて、グリッドベース、ランダム、k-ネアレスト近傍構造を含む様々なグラフトポロジーに学習された埋め込みを整理する。 ISIC-2018とISIC-2019の皮膚病変診断ベンチマークの実験結果は、暗黙のパッチ間モデリングと明示的なグラフベースのメッセージパッシングを組み合わせることで、最高のパフォーマンスが得られることを示している。 ISIC-2018テストセットでは、ベースラインモデルは76.17%のバランスの取れた精度を達成しており、暗黙のパッチベースのリレーショナルモデリングで77.12%に改善されている。 完全に統合されたグリッド構造グラフアテンションネットワークにより、パフォーマンスは79.27%向上した。 同様にISIC-2019では、暗黙のアプローチは59.84%の精度に達し、暗黙のモデリングと明示的なモデリングの組み合わせは60.67%となる。

関連論文リスト

• Text-Guided Visual Dependency Graph Learning with Cross-Modal Attention Priors [11.338098263634537]
  本稿では,視覚言語表現学習とスパースガウスモデルを橋渡しするフレームワークであるCM-GLassoを提案する。 CM-GLassoは、画像としてクラス属性記述を描画して処理するテキスト視覚化戦略(i)、天然画像としてSigLIP-2ビジョンエンコーダ(ii)、高次元パッチを小さなセマンティックグラフノードに凝縮するクロスアテンション蒸留機構(ii)、共有およびクラス固有精度コンポーネントを単一の凸対象内で推定する共同ADMM定式化(iii)、の3つの主要なコンポーネントを導入している。
  論文  参考訳（メタデータ） (2026-08-19T09:57:34Z)
• HGT-Scheduler: Deep Reinforcement Learning for the Job Shop Scheduling Problem via Heterogeneous Graph Transformers [0.0]
  ジョブショップスケジューリング問題(JSSP)は一般に、ノードが操作を表現し、エッジが技術的優先の制約を符号化し、マシン共有の競合を符号化する解離グラフとして定式化されている。 既存の強化学習アプローチのほとんどは、このグラフを均質で、ジョブプレッデンスとマシンコンテンションエッジを単一の関係タイプとしてモデル化している。 我々は、JSSPを異種グラフとしてモデル化する強化学習フレームワークであるHGT-Schedulerを提案する。
  論文  参考訳（メタデータ） (2026-03-06T17:59:12Z)
• Concept Factorization via Self-Representation and Adaptive Graph Structure Learning [8.990462532663871]
  本稿では,自己表現と適応グラフ構造学習(CFSRAG)モデルに基づく概念因子化を提案する。 CFSRAGは自己表現法を用いてデータ間の親和性関係を学習し、学習された親和性行列を用いて動的グラフ正規化制約を実装する。 その結果、我々のモデルは、他の最先端モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-05-06T10:12:59Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
  グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。 グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。 グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:53:30Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Dynamic Hybrid Relation Network for Cross-Domain Context-Dependent Semantic Parsing [52.24507547010127]
  ドメイン間コンテキスト依存のセマンティック解析は研究の新たな焦点である。 本稿では,コンテキストの発話,トークン,データベーススキーマ,会話の進行に伴う複雑なインタラクションを効果的にモデル化する動的グラフフレームワークを提案する。 提案したフレームワークは既存のモデルを大きなマージンで上回り、2つの大規模ベンチマークで新しい最先端性能を達成する。
  論文  参考訳（メタデータ） (2021-01-05T18:11:29Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。