.png){kind=icon}
返回
How Useful Is Graph Pooling for Node-Level Tasks?
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06066-2_6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为图神经网络的关键组成部分，图池化对于图分类和生成等图级任务不可或缺。然而，某些节点级任务本身就需要图池化，特别是图上的多重实例学习（MIL），这是一种弱监督学习范式，其中仅提供集级标签用于训练节点级预测器。现有的基于嵌入的池化方法聚合节点嵌入以获得整体的图级表示，忽略了节点标签的直接推断。为解决此限制，我们提出了基于实例的池化方法，该方法在生成图表示之前将节点嵌入映射为节点概率。我们证明了基于嵌入的池化方法可以无缝转换为基于实例的方法，而不会失去排列不变性或表达能力，而后者提供了更好的可解释性。在多样化的基准数据集上进行的大量实验验证了我们提出方法的有效性，为不同图机器学习任务中池化方法的选择提供了关键见解。
Keyword:
Graph Pooling
Graph Multiple Instance Learning
Instance-level Learning
Weakly supervised learning
期刊
机构
引用论文
Multiple instance learning: A survey of problem characteristics and applications多实例学习: 问题特征与应用综述.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏分享收藏Locality Sensitive Deep Learning for Detection and Classification of Nuclei in Routine Colon Cancer Histology Images局部敏感深度学习在常规结肠癌组织学图像细胞核检测和分类中的应用OAAI
OAAI分享收藏
查看更多内容