論文の概要: Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning

• arxiv url: http://arxiv.org/abs/2603.13682v1
• Date: Sat, 14 Mar 2026 01:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.33865
• Title: Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning
• Title（参考訳）: 誤りの重大性:マルチクラスマルチインスタンス学習における非対称な誤検出度トレーニング
• Authors: Sungrae Hong, Jiwon Jeong, Jisu Shin, Donghee Han, Sol Lee, Kyungeun Kim, Mun Yong Yi,
• Abstract要約: マルチインスタンス学習(MIL)は、WSI(Whole Slide Image)診断において有望なパラダイムとして登場した。 本稿では,診断クラスを階層構造に整理する誤り重大度対応学習手法を提案する。 既存の方法と比較して,本手法はMIL診断における致命的誤りを著しく軽減することが示された。
• 参考スコア（独自算出の注目度）: 7.643169473987673
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiple Instance Learning (MIL) has emerged as a promising paradigm for Whole Slide Image (WSI) diagnosis, offering effective learning with limited annotations. However, existing MIL frameworks overlook diagnostic priorities and fail to differentiate the severity of misclassifications in multiclass, leaving clinically critical errors unaddressed. We propose a mistake-severity-aware training strategy that organizes diagnostic classes into a hierarchical structure, with each level optimized using a severity-weighted cross-entropy loss that penalizes high-severity misclassifications more strongly. Additionally, hierarchical consistency is enforced through probabilistic alignment, a semantic feature remix applied to the instance bag to robustly train class priority and accommodate clinical cases involving multiple symptoms. An asymmetric Mikel's Wheel-based metric is also introduced to quantify the severity of errors specific to medical fields. Experiments on challenging public and real-world in-house datasets demonstrate that our approach significantly mitigates critical errors in MIL diagnosis compared to existing methods. We present additional experimental results on natural domain data to demonstrate the generalizability of our proposed method beyond medical contexts.
• Abstract（参考訳）: マルチインスタンス学習(MIL)はWSI(Whole Slide Image)診断のための有望なパラダイムとして登場し、限られたアノテーションで効果的な学習を提供する。 しかし、既存のMILフレームワークは診断の優先順位を無視し、多クラスにおける誤分類の重症度を区別できず、臨床的に致命的なエラーは未解決のままである。 本稿では, 診断クラスを階層構造に整理し, 重度重み付きクロスエントロピー損失を用いて各レベルを最適化し, 高重度誤分類をより強く罰する, 誤り重度対応型トレーニング戦略を提案する。 さらに、階層的整合性は確率的アライメント(確率的アライメント)によって強制される。これは、インスタンスバッグに適用されるセマンティックな特徴リミックスで、クラスの優先順位をしっかりと訓練し、複数の症状を含む臨床症例に適応する。 医学分野に特化した誤差の深刻度を定量化するために、非対称マイクルのホイールに基づく計量も導入された。 公立および実世界の社内データセットに挑戦する実験は、我々のアプローチが既存の方法と比較してMIL診断における致命的な誤りを著しく軽減していることを示している。 本稿では,本手法の医学的文脈を超えた一般化性を示すために,自然領域データに関する追加実験結果を提案する。

関連論文リスト

• Diagnose Like A REAL Pathologist: An Uncertainty-Focused Approach for Trustworthy Multi-Resolution Multiple Instance Learning [5.073978768018109]
  マルチインスタンス学習(MIL)は、AI中心の診断支援のための実行可能なソリューションとして、研究の焦点を絞っている。 病理学者の診察行動をよりよく模倣した不確実性焦点校正型MIL (UFC-MIL) を提案する。 UFC-MILは、最先端の手法に匹敵する分類精度を保ちながら、モデルのキャリブレーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2025-11-09T16:02:13Z)
• CLIMD: A Curriculum Learning Framework for Imbalanced Multimodal Diagnosis [21.001994821490644]
  不均衡型マルチモーダル診断(CLIMD)のためのカリキュラム学習フレームワークを提案する。 具体的には、まず、モーダル内信頼度とモーダル間相補性を組み合わせたマルチモーダルカリキュラム尺度を設計し、モデルがキーサンプルに集中できるようにする。 プラグイン・アンド・プレイのCLフレームワークとして、CLIMDは他のモデルに容易に統合することができ、マルチモーダル病の診断精度を向上させるための有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-03T05:25:12Z)
• Priority-Aware Clinical Pathology Hierarchy Training for Multiple Instance Learning [5.119970053489523]
  本稿では,垂直階層と水平階層の2つの階層を用いて優先度問題に対処する手法を提案する。 提案手法は, 各階層レベルでのMIL予測を整列させ, トレーニング中に暗黙的な特徴の再使用性を用いて, 同一レベルにおける臨床的により深刻な授業を促進する。 実世界の患者データを用いて実験したところ、提案手法は誤診を効果的に低減し、多種多様なシナリオにおいてより重要な症状を優先する。
  論文  参考訳（メタデータ） (2025-07-28T02:09:29Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Error Classification of Large Language Models on Math Word Problems: A Dynamically Adaptive Framework [79.40678802098026]
  数学の単語問題は、大規模言語モデルの推論能力を評価するための重要なベンチマークとなる。 現在のエラー分類法は静的および事前定義されたカテゴリに依存している。 本稿では,共通なエラーパターンを明示的なガイダンスとして組み込んだEAP(Error-Aware Prompting)を提案する。
  論文  参考訳（メタデータ） (2025-01-26T16:17:57Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)

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。