論文の概要: Synthetic Data Reveals Generalization Gaps in Correlated Multiple Instance Learning

• arxiv url: http://arxiv.org/abs/2510.25759v1
• Date: Wed, 29 Oct 2025 17:55:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.904422
• Title: Synthetic Data Reveals Generalization Gaps in Correlated Multiple Instance Learning
• Title（参考訳）: 相関型複数インスタンス学習における一般化ギャップを探索する合成データ
• Authors: Ethan Harvey, Dennis Johan Loevlie, Michael C. Hughes,
• Abstract要約: 我々は,隣接するインスタンスの特徴を考慮に入れることが,正確な予測に不可欠である合成分類タスクを設計する。 数万のインスタンスをスクラッチからトレーニングした場合,MIL手法の関連性がさらに高くなることを実証的に示す。
• 参考スコア（独自算出の注目度）: 4.299364919356825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple instance learning (MIL) is often used in medical imaging to classify high-resolution 2D images by processing patches or classify 3D volumes by processing slices. However, conventional MIL approaches treat instances separately, ignoring contextual relationships such as the appearance of nearby patches or slices that can be essential in real applications. We design a synthetic classification task where accounting for adjacent instance features is crucial for accurate prediction. We demonstrate the limitations of off-the-shelf MIL approaches by quantifying their performance compared to the optimal Bayes estimator for this task, which is available in closed-form. We empirically show that newer correlated MIL methods still struggle to generalize as well as possible when trained from scratch on tens of thousands of instances.
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング(MIL)は、パッチ処理やスライス処理による3Dボリュームの分類によって、高解像度の2D画像の分類にしばしば用いられる。 しかし、従来のMILアプローチでは、近くのパッチやスライスのような実際のアプリケーションで必須のコンテキスト関係を無視して、インスタンスを別々に扱う。 我々は,隣接するインスタンスの特徴を考慮に入れることが,正確な予測に不可欠である合成分類タスクを設計する。 クローズドフォームで利用できる最適ベイズ推定器と比較して, 性能を定量化することで, 市販のMIL手法の限界を実証する。 数万のインスタンスをスクラッチからトレーニングした場合,MIL手法の関連性がさらに高くなることを実証的に示す。

関連論文リスト

• Denoising Mutual Knowledge Distillation in Bi-Directional Multiple Instance Learning [4.435658228432678]
  多重インスタンス学習はデジタル病理学における全スライド画像分類の主要な手法である。 我々は,MILと完全に教師された学習のギャップを,バッグレベルの学習プロセスとインスタンスレベルの学習プロセスの両方を増強することによって埋めることを提案する。 提案アルゴリズムは、バッグレベルの予測とインスタンスレベルの予測の両方において、デュアルレベルMILアルゴリズムの性能を改善する。
  論文  参考訳（メタデータ） (2025-05-17T16:26:43Z)
• A Spatially-Aware Multiple Instance Learning Framework for Digital Pathology [4.012490059423154]
  マルチプル・インスタンス・ラーニング (MIL) は、スライド画像全体を用いた病理学における弱い教師付き分類のための有望なアプローチである。 トランスフォーマーベースMIL(Transformer Based MIL)のような最近の進歩は、空間的コンテキストとパッチ間関係を取り入れている。 本研究では,この問題に対処するための対話対応表現を統合することで,ABMILフレームワークを強化する。
  論文  参考訳（メタデータ） (2025-04-24T08:53:46Z)
• 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)
• Rethinking Attention-Based Multiple Instance Learning for Whole-Slide Pathological Image Classification: An Instance Attribute Viewpoint [11.09441191807822]
  マルチプル・インスタンス・ラーニング (MIL) は、WSI解析のための堅牢なパラダイムである。 本稿では,これらの問題に対処する属性駆動型MIL(AttriMIL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-30T13:04:46Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• Deep Multiple Instance Learning with Distance-Aware Self-Attention [9.361964965928063]
  距離認識型自己注意型MILモデル(DAS-MIL)を提案する。 離散的な自己注意のための既存の相対的な位置表現とは異なり、我々の手法は注意重みの計算に連続的な距離依存項を導入する。 MNISTをベースとしたカスタムMILデータセットと,CAMELYON16で利用可能な癌転移検出データセットであるCAMELYON16を用いて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2023-05-17T20:11:43Z)
• CIL: Contrastive Instance Learning Framework for Distantly Supervised Relation Extraction [52.94486705393062]
  我々は、典型的なマルチインスタンス学習(MIL)フレームワークを超えて、新しいコントラッシブ・インスタンス学習(CIL)フレームワークを提案する。 具体的には、初期MILをリレーショナルトリプルエンコーダと各インスタンスに対する負のペアに対する制約正のペアとみなす。 提案手法の有効性を実験的に検証し, 提案手法をNYT10, GDS, KBPで比較検討した。
  論文  参考訳（メタデータ） (2021-06-21T04:51:59Z)
• Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
  本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。 MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。 我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-05-09T10:09:13Z)

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。