인스턴스 간 관계를 활용한 그래프 기반 다중인스턴스 학습

초록

본 논문은 다중인스턴스 학습에서 bag 내부의 인스턴스들을 독립적으로 가정하는 기존 접근을 넘어, 인스턴스 간 상호작용을 그래프 형태로 모델링한다. 노드와 엣지 특징을 동시에 고려하는 특수 커널을 도입해 bag을 구분하고, 실험을 통해 기존 i.i.d. 기반 방법보다 우수한 성능을 입증한다.

상세 분석

다중인스턴스 학습(MIL)은 라벨이 부여된 bag과 그 안의 라벨이 없는 다수의 인스턴스로 구성된 데이터셋을 다루며, 전통적으로는 bag 내부 인스턴스들을 독립적이고 동일하게 분포(i.i.d.)한다고 가정한다. 그러나 실제 이미지, 텍스트, 바이오시퀀스 등에서는 인스턴스들 간에 공간적·구조적·시맨틱한 연관성이 존재한다는 점이 간과되어 왔다. 본 논문은 이러한 비독립성을 명시적으로 모델링하기 위해 bag을 무향 가중 그래프로 변환한다. 각 인스턴스는 그래프의 노드가 되고, 노드 간 유사도(예: 코사인 거리, 유클리드 거리) 혹은 도메인 지식에 기반한 관계를 엣지 가중치로 정의한다.

핵심 기여는 두 단계로 나뉜다. 첫째, 노드 특징과 엣지 특징을 동시에 활용하는 그래프 커널을 설계한다. 기존의 그래프 커널(Weisfeiler‑Lehman, Shortest‑Path 등)은 주로 구조적 동일성에 초점을 맞추지만, 본 커널은 노드 레벨의 고차원 피처와 엣지 레벨의 관계 정보를 내적 형태로 결합하여 bag 간 유사도를 정량화한다. 둘째, 이 커널을 커널 SVM 혹은 커널 기반 다중인스턴스 학습 프레임워크에 직접 삽입함으로써, bag 레벨 분류기를 학습한다.

기술적 세부사항을 살펴보면, 인스턴스 피처는 사전 학습된 CNN, TF‑IDF, 혹은 도메인 특화 임베딩을 사용하고, 엣지 가중치는 Gaussian RBF 함수를 통해 거리 기반 유사도로 변환한다. 그래프 커널은 **노드 커널 K_n(i,j)**와 **엣지 커널 K_e(i,j)**를 각각 계산한 뒤, K(G_p,G_q)=∑{i∈V_p}∑{j∈V_q}K_n(i,j)·∏{(i,i’)∈E_p}∏{(j,j’)∈E_q}K_e(i,i’,j,j’) 형태로 정의한다. 여기서 V_p는 bag p의 노드 집합, E_p는 엣지 집합이다. 이 식은 노드 매칭과 동시에 인접 엣지 매칭을 고려함으로써, 인스턴스 간 관계 구조를 보존한다.

실험에서는 Musk, Elephant, Fox 등 전통적인 MIL 벤치마크와 CIFAR‑10 기반 이미지 bag, TCGA 유전체 데이터 등 다양한 도메인을 사용하였다. 제안 방법은 기존 i.i.d. 기반 MIL( mi‑SVM, MI‑Kernels)과 그래프 기반 변형( G‑MIL) 대비 평균 **3~7%**의 정확도 향상을 보였으며, 특히 인스턴스 간 상호작용이 강한 데이터셋에서 그 차이가 두드러졌다.

복잡도 측면에서, 그래프 커널 계산은 O(|V|^2·|E|^2) 정도로, bag 크기가 매우 큰 경우 샘플링 혹은 근사 커널 기법을 적용해야 한다는 제한점이 있다. 또한 엣지 정의가 도메인에 따라 달라질 수 있어, 적절한 관계 추정 방법이 성능에 큰 영향을 미친다. 그럼에도 불구하고, 인스턴스 간 비독립성을 명시적으로 활용함으로써 MIL의 표현력을 크게 확장한다는 점에서 학문적·실용적 의의가 크다.