論文の概要: A Vector Symbolic Approach to Multiple Instance Learning

• arxiv url: http://arxiv.org/abs/2511.16795v1
• Date: Thu, 20 Nov 2025 20:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.808303
• Title: A Vector Symbolic Approach to Multiple Instance Learning
• Title（参考訳）: ベクトルシンボリックアプローチによる複数インスタンス学習
• Authors: Ehsan Ahmed Dhrubo, Mohammad Mahmudul Alam, Edward Raff, Tim Oates, James Holt,
• Abstract要約: 複数のインスタンス学習タスクは厳格な論理的制約を課す: バッグが正であることと、その内の少なくとも1つのインスタンスが正であること。 近年の研究では、ディープラーニングベースのMILアプローチがそれに違反していることが示されており、パフォーマンス指標の膨らみと一般化の低さにつながっている。 本稿では,ベクトルアーキテクチャ(VSAs)に基づく新しいMILフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.59730199795415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple Instance Learning (MIL) tasks impose a strict logical constraint: a bag is labeled positive if and only if at least one instance within it is positive. While this iff constraint aligns with many real-world applications, recent work has shown that most deep learning-based MIL approaches violate it, leading to inflated performance metrics and poor generalization. We propose a novel MIL framework based on Vector Symbolic Architectures (VSAs), which provide a differentiable mechanism for performing symbolic operations in high-dimensional space. Our method encodes the MIL assumption directly into the model's structure by representing instances and concepts as nearly orthogonal high-dimensional vectors and using algebraic operations to enforce the iff constraint during classification. To bridge the gap between raw data and VSA representations, we design a learned encoder that transforms input instances into VSA-compatible vectors while preserving key distributional properties. Our approach, which includes a VSA-driven MaxNetwork classifier, achieves state-of-the-art results for a valid MIL model on standard MIL benchmarks and medical imaging datasets, outperforming existing methods while maintaining strict adherence to the MIL formulation. This work offers a principled, interpretable, and effective alternative to existing MIL approaches that rely on learned heuristics.
• Abstract（参考訳）: 複数のインスタンス学習(MIL)タスクは厳密な論理的制約を課します。 この差分制約は多くの現実世界のアプリケーションと一致しているが、近年の研究では、ディープラーニングベースのMILアプローチがそれに違反していることが示されており、パフォーマンス指標の膨らみと一般化の低さにつながっている。 本稿では,ベクトル記号アーキテクチャ(VSAs)に基づく新しいMILフレームワークを提案する。 本手法は,インスタンスや概念をほぼ直交の高次元ベクトルとして表現し,代数演算を用いて分類中のiff制約を強制することにより,MIL仮定を直接モデル構造にエンコードする。 生データとVSA表現のギャップを埋めるために,入力インスタンスをVSA互換ベクトルに変換する学習エンコーダを設計する。 我々のアプローチはVSA駆動のMaxNetwork分類器を含み、標準MILベンチマークや医用画像データセット上で有効なMILモデルに対する最先端の結果を達成し、MIL定式化の厳密な遵守を維持しつつ既存の手法よりも優れている。 この研究は、学習ヒューリスティックスに依存する既存のMILアプローチに対して、原則的で解釈可能で効果的な代替手段を提供する。

関連論文リスト

• Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
  本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。 異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。 我々は最先端のPTQ手法を実装し、包括的な評価を行う。
  論文  参考訳（メタデータ） (2025-08-20T17:59:51Z)
• SimMIL: A Universal Weakly Supervised Pre-Training Framework for Multi-Instance Learning in Whole Slide Pathology Images [12.827931905880163]
  本稿では,弱教師付きスキームを用いたMIL機能抽出器を提案する。 MILの効果的な特徴を学習するために、強いデータ拡張、非線形予測ヘッド、ロバストな損失関数など、いくつかの重要なコンポーネントを探索する。 我々は、一般的な大規模WSIデータセットで実験を行い、他の事前学習方式よりも優れた性能が得られることを発見した。
  論文  参考訳（メタデータ） (2025-05-10T17:23:36Z)
• 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)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• 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)
• PDL: Regularizing Multiple Instance Learning with Progressive Dropout Layers [2.069061136213899]
  多重インスタンス学習(MIL)は、バッグとして知られるインスタンスのコレクションにバイナリクラスラベルを割り当てようとする、弱い教師付き学習アプローチである。 本稿では,複雑な特徴表現の発見において,MILモデルの過度な適合と強化を図るために,プログレッシブ・ドロップアウト・レイヤ(PDL)という手法を提案する。
  論文  参考訳（メタデータ） (2023-08-19T21:20:30Z)
• Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
  全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。 本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。 位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
  論文  参考訳（メタデータ） (2022-06-22T07:00:39Z)

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。