論文の概要: Positive Semi-definite Latent Factor Grouping-Boosted Cluster-reasoning Instance Disentangled Learning for WSI Representation

• arxiv url: http://arxiv.org/abs/2511.01304v2
• Date: Tue, 04 Nov 2025 16:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.161521
• Title: Positive Semi-definite Latent Factor Grouping-Boosted Cluster-reasoning Instance Disentangled Learning for WSI Representation
• Title（参考訳）: WSI表現のための正の半定値潜在因子グループ化ブーストクラスタ推論学習
• Authors: Chentao Li, Behzad Bozorgtabar, Yifang Ping, Pan Huang, Jing Qin,
• Abstract要約: 本稿では,全スライディング画像(WSI)の解釈可能な表現のための潜在因子グループ化型クラスタ推論インスタンス非絡み合い学習フレームワークを提案する。 まず、インスタンスを潜在部分空間にマッピングする新しい正の半定値潜在因子群を導入する。 セマンティックな絡み合いを軽減するために、インスタンス確率対実推定と最適化を用いる。 最後に、ケースエフェクト再重み付けによる一般化線形重み付き決定を用いて、決定の絡み合いに対処する。
• 参考スコア（独自算出の注目度）: 17.801036827103562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple instance learning (MIL) has been widely used for representing whole-slide pathology images. However, spatial, semantic, and decision entanglements among instances limit its representation and interpretability. To address these challenges, we propose a latent factor grouping-boosted cluster-reasoning instance disentangled learning framework for whole-slide image (WSI) interpretable representation in three phases. First, we introduce a novel positive semi-definite latent factor grouping that maps instances into a latent subspace, effectively mitigating spatial entanglement in MIL. To alleviate semantic entanglement, we employs instance probability counterfactual inference and optimization via cluster-reasoning instance disentangling. Finally, we employ a generalized linear weighted decision via instance effect re-weighting to address decision entanglement. Extensive experiments on multicentre datasets demonstrate that our model outperforms all state-of-the-art models. Moreover, it attains pathologist-aligned interpretability through disentangled representations and a transparent decision-making process.
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング (MIL) は, 全身スライディング画像の表現に広く用いられている。 しかし、インスタンス間の空間的、意味的、決定的絡み合いは、その表現と解釈可能性を制限する。 これらの課題に対処するため,本研究では,WSI ( whole-slide image) の3段階の解釈可能な表現のための潜在因子グループ化型クラスタ推論インスタンス非絡み合い学習フレームワークを提案する。 まず、インスタンスを潜在部分空間にマッピングし、MILにおける空間的絡みを効果的に緩和する、新しい正の半定潜在因子グループを導入する。 セマンティックな絡み合いを緩和するために、クラスタ推論インスタンスのアンタングリングによるインスタンス確率の反実的推論と最適化を用いる。 最後に、ケースエフェクト再重み付けによる一般化線形重み付き決定を用いて、決定の絡み合いに対処する。 多中心データセットに関する大規模な実験は、我々のモデルがすべての最先端モデルより優れていることを示した。 さらに、不整合表現と透明な意思決定プロセスを通じて、病理学者が整合した解釈性を実現する。

関連論文リスト

• Enhancing Self-Supervised Learning with Semantic Pairs A New Dataset and Empirical Study [2.4405762029252465]
  インスタンス識別は、データセット内の個々のインスタンスを別々のクラスとして扱う、自己教師付き表現学習パラダイムである。 モデル表現の一般化性を高めるためにセマンティックペアを利用するための技術基盤を提供する。
  論文  参考訳（メタデータ） (2025-10-09T18:31:55Z)
• The Common Stability Mechanism behind most Self-Supervised Learning Approaches [64.40701218561921]
  自己指導型学習手法の安定性のメカニズムを説明するための枠組みを提供する。 我々は,BYOL,SWAV,SimSiam,Barlow Twins,DINOなどの非コントラスト技術であるSimCLRの動作メカニズムについて議論する。 私たちは異なる仮説を定式化し、Imagenet100データセットを使ってそれらをテストします。
  論文  参考訳（メタデータ） (2024-02-22T20:36:24Z)
• PAC Generalization via Invariant Representations [41.02828564338047]
  有限標本集合における$epsilon$-approximate不変性の概念を考える。 PAC学習にインスパイアされ、有限サンプルのアウト・オブ・ディストリビューション一般化保証を得る。 この結果から, 介入部位が非次境界ノードの一定サイズの部分集合内にある場合に, 周囲次元でスケールしない境界を示す。
  論文  参考訳（メタデータ） (2022-05-30T15:50:14Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Exploring Non-Contrastive Representation Learning for Deep Clustering [23.546602131801205]
  ディープクラスタリングのための非コントラスト表現学習は、負の例のない代表的手法であるBYOLに基づいている。 NCCは、すべてのクラスタが十分に分離され、クラスタ内の例がコンパクトな埋め込み空間を形成する。 ImageNet-1Kを含むいくつかのクラスタリングベンチマークデータセットの実験結果は、NCCが最先端の手法よりかなり優れていることを示している。
  論文  参考訳（メタデータ） (2021-11-23T12:21:53Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。