基本信息
文章链接：[1906.04881] Multiple instance learning with graph neural networks
将每个包视为一个图，利用GNN学习包的嵌入，以探索包中实例之间有用的结构信息。最终的图表示被送入分类器进行标签预测。
具体方法
输入：包
（1）将包转化为图：使用启发式算法
邻接矩阵的计算如下：
当两个实例的距离比较近，在阈值范围内，则认为它们具有连接的边。
（2）构建一个基于GNN的MIL，输入（A,V)，其中A是邻接矩阵，V是节点的特征矩阵，
（3）对整个图进行聚合
采用基于GNN的可微池算法（Ying et al ., 2018）将具有不同节点数的图折叠为向量表示。可微池化由两个操作组成：1)学习图的分配矩阵，该矩阵给出了节点属于cluster的概率。2)在给定学习分配矩阵的情况下，通过软池化将图节点压缩为cluster的数量。cluster的数量是预定义的，对于不同的图是相同的。
实验
1.实验一：五个基准数据集
- 10倍交叉验证
2.实验二：文本分类数据集
使用（Zhou et al ., 2009）作者整理的20个文本分类数据集来验证基于GNN的MIL的性能
3.实验三：视网膜图像分类
第三个实验采用公开的糖尿病视网膜病变筛查数据集“Messidor”（Decenciere et al ', 2014）。 采用双重CV来测量（Kandemir & Hamprecht, 2015）中提出的基于GNN的MIL。
