Fugu-MT 論文翻訳(概要): SGPMIL: Sparse Gaussian Process Multiple Instance Learning

論文の概要: SGPMIL: Sparse Gaussian Process Multiple Instance Learning

arxiv url: http://arxiv.org/abs/2507.08711v1
Date: Fri, 11 Jul 2025 16:10:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-14 18:03:54.418233
Title: SGPMIL: Sparse Gaussian Process Multiple Instance Learning
Title（参考訳）: SGPMIL: スパースガウスプロセス多重インスタンス学習
Authors: Andreas Lolos, Stergios Christodoulidis, Maria Vakalopoulou, Jose Dolz, Aris Moustakas,
Abstract要約: MIL(Multiple Instance Learning)は、粗いバッグレベルのラベルしか利用できない設定に対して、自然なソリューションを提供する。 Sparse Gaussian Processes (SGP) を基盤とした新しい確率的アテンションベースMILフレームワーク textbfSGPMIL を紹介する。我々のアプローチは、競争力のあるバッグレベルの性能を保ちながら、不確実性の下でのインスタンスレベルの予測の品質と解釈可能性を大幅に改善する。
参考スコア（独自算出の注目度）: 7.549262999465268
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multiple Instance Learning (MIL) offers a natural solution for settings where only coarse, bag-level labels are available, without having access to instance-level annotations. This is usually the case in digital pathology, which consists of gigapixel sized images. While deterministic attention-based MIL approaches achieve strong bag-level performance, they often overlook the uncertainty inherent in instance relevance. In this paper, we address the lack of uncertainty quantification in instance-level attention scores by introducing \textbf{SGPMIL}, a new probabilistic attention-based MIL framework grounded in Sparse Gaussian Processes (SGP). By learning a posterior distribution over attention scores, SGPMIL enables principled uncertainty estimation, resulting in more reliable and calibrated instance relevance maps. Our approach not only preserves competitive bag-level performance but also significantly improves the quality and interpretability of instance-level predictions under uncertainty. SGPMIL extends prior work by introducing feature scaling in the SGP predictive mean function, leading to faster training, improved efficiency, and enhanced instance-level performance. Extensive experiments on multiple well-established digital pathology datasets highlight the effectiveness of our approach across both bag- and instance-level evaluations. Our code will be made publicly available.
Abstract（参考訳）: 複数インスタンス学習(MIL)は、インスタンスレベルのアノテーションにアクセスすることなく、粗いバッグレベルのラベルのみを利用できるような設定に自然なソリューションを提供する。これは通常、デジタル病理学において、ギガピクセルサイズの画像からなる。決定論的注意に基づくMILアプローチは、バッグレベルの強いパフォーマンスを達成するが、多くの場合、インスタンスの関連性に固有の不確実性を見落としている。本稿では,Sparse Gaussian Processes (SGP) を基盤とした新しい確率的アテンションベースMILフレームワークである \textbf{SGPMIL} を導入することで,インスタンスレベルのアテンションスコアの不確実性定量化の欠如に対処する。注意点に対する後続分布を学習することにより、SGPMILは原則的不確実性推定を可能にし、より信頼性が高く校正されたインスタンス関連マップを実現する。我々のアプローチは、競争力のあるバッグレベルの性能を保ちながら、不確実性の下でのインスタンスレベルの予測の品質と解釈可能性を大幅に改善する。 SGPMILは、SGP予測平均関数に機能スケーリングを導入し、より高速なトレーニング、効率の向上、インスタンスレベルのパフォーマンスの向上によって、以前の作業を拡張している。複数の確立されたデジタル病理データセットに対する大規模な実験は、バッグレベルの評価とインスタンスレベルの評価の両方において、我々のアプローチの有効性を強調している。私たちのコードは公開されます。

関連論文リスト

SeMi: When Imbalanced Semi-Supervised Learning Meets Mining Hard Examples [54.760757107700755]
Semi-Supervised Learning (SSL)は、豊富なラベルのないデータを活用して、モデルのパフォーマンスを向上させる。実世界のシナリオにおけるクラス不均衡なデータ分散は、SSLに大きな課題をもたらし、結果としてパフォーマンスが低下する。マイニングハードケース(SeMi)による不均衡半教師学習の性能向上手法を提案する。
論文参考訳（メタデータ） (2025-01-10T14:35:16Z)
Position: From Correlation to Causation: Max-Pooling-Based Multi-Instance Learning Leads to More Robust Whole Slide Image Classification [51.95824566163554]
我々は、十分に訓練された最大プーリングに基づくMILモデルが因果関係に基づく予測を行い、素早い相関に頼らずにすむことを論じる。提案手法は,2つのデータセットにおいて,既存の注目度に基づく手法よりも優れている。
論文参考訳（メタデータ） (2024-08-18T12:15:22Z)
cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。 MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
論文参考訳（メタデータ） (2024-07-16T07:28:39Z)
Shapley Values-enabled Progressive Pseudo Bag Augmentation for Whole Slide Image Classification [6.705260410604528]
計算病理学において、全スライディング画像(WSI)分類は、そのギガピクセル解像度と限定された細かいアノテーションのため、非常に難しい課題である。 MIL(Multiple-instance Learning)は、弱教師付きソリューションを提供するが、バッグレベルのラベルからインスタンスレベルの情報を精査することは依然として困難である。協調ゲーム理論に触発された新たなアプローチとして,各インスタンスの寄与度を評価するためにShapley値を用いることにより,IIS推定を改善する。
論文参考訳（メタデータ） (2023-12-09T07:35:09Z)
Weak Supervision Performance Evaluation via Partial Identification [46.73061437177238]
Programmatic Weak Supervision (PWS) は、地上の真理ラベルに直接アクセスすることなく、教師付きモデルトレーニングを可能にする。本稿では,モデル評価を部分的同定問題としてフレーミングすることで,この問題に対処する新しい手法を提案する。提案手法は,従来の弱監督評価手法において,ラベル付きデータを必要とせず,重要な指標に信頼性のあるバウンダリを導出する。
論文参考訳（メタデータ） (2023-12-07T07:15:11Z)
Scalable Bayesian Meta-Learning through Generalized Implicit Gradients [64.21628447579772]
Inlicit Bayesian Meta-learning (iBaML) 法は、学習可能な事前のスコープを広げるだけでなく、関連する不確実性も定量化する。解析誤差境界は、明示的よりも一般化された暗黙的勾配の精度と効率を示すために確立される。
論文参考訳（メタデータ） (2023-03-31T02:10:30Z)
Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文参考訳（メタデータ） (2023-03-03T16:12:59Z)
SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
論文参考訳（メタデータ） (2023-01-26T03:53:25Z)
MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文参考訳（メタデータ） (2022-10-24T15:14:26Z)
Balancing Bias and Variance for Active Weakly Supervised Learning [9.145168943972067]
現代のマルチインスタンス学習(MIL)モデルは、バッグレベルでの競争性能を達成する。しかし、多くの重要なアプリケーションに欠かせないインスタンスレベルの予測は不十分である。本稿では,インスタンスレベルの予測を促進することを目的とした,新しいディープサブセットを提案する。複数の実世界のデータセット上で実施された実験は、最先端のインスタンスレベルの予測をはっきりと示している。
論文参考訳（メタデータ） (2022-06-12T07:15:35Z)
Interventional Multi-Instance Learning with Deconfounded Instance-Level Prediction [29.151629044965983]
本稿では,インスタンスレベルの非定型予測を実現するために,新しい介入型マルチインスタンス学習(IMIL)フレームワークを提案する。従来の可能性に基づく戦略とは異なり、因果介入に基づく期待最大化(EM)アルゴリズムを設計する。 IMIL法は, 偽陽性を著しく低減し, 最先端のMIL法より優れる。
論文参考訳（メタデータ） (2022-04-20T03:17:36Z)
Sparse Network Inversion for Key Instance Detection in Multiple Instance Learning [24.66638752977373]
複数インスタンス学習(MIL)では、バッグレベルの正または負のラベルを与えられたインスタンスの袋の1つのラベルを予測する。注目に基づくディープMILモデルは、バッグレベルの分類とキーインスタンス検出の両方において最近の進歩である。 KIDタスクにおける注意に基づく深層MILモデルの改善手法を提案する。
論文参考訳（メタデータ） (2020-09-07T07:01:59Z)

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。