論文の概要: Are Compact Rationales Free? Measuring Tile Selection Headroom in Frozen WSI-MIL

• arxiv url: http://arxiv.org/abs/2605.12575v1
• Date: Tue, 12 May 2026 12:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.589768
• Title: Are Compact Rationales Free? Measuring Tile Selection Headroom in Frozen WSI-MIL
• Title（参考訳）: コンパクトな合理化は自由か? 冷凍WSI-MILにおけるタイル選択ヘッドルームの測定
• Authors: Hyun Do Jung, Jungwon Choi, Soojung Choi, Yujin Oh, Hwiyoung Kim,
• Abstract要約: 凍結したWSI-MILのポストホック合理化について検討した。 最適なコンテキストインスタンス(FOCI)を見つけることでこれをインスタンス化する。 FOCIは、タイルサブセットの保持/ドロップよりも、モデル出力の十分さと排除の目的で訓練されている。
• 参考スコア（独自算出の注目度）: 5.099953098986464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whole-slide image (WSI) multiple instance learning (MIL) classifiers can achieve strong slide-level AUC while leaving the full-bag prediction opaque. Attention scores are widely reused as post-hoc explanations, but high attention can reflect aggregation preference rather than a compact, model-sufficient rationale. We study post-hoc rationale highlighting for frozen WSI-MIL: given a trained classifier, can its slide-level prediction be recovered from a compact, output-consistent tile subset without retraining the backbone? We instantiate this with Finding Optimal Contextual Instances (FOCI), a lightweight rationale-readout layer over a frozen MIL backbone. FOCI is trained with model-output sufficiency and exclusion objectives over keep/drop tile subsets, evaluated with an insertion-style Sequential Reveal Protocol (SRP) adapted to WSI-MIL, and summarized by the Selection Headroom Index (SHI). Across three WSI benchmarks and seven MIL backbones, FOCI reveals that compact rationales are selection-headroom dependent: transformer and multi-branch attention aggregators can admit compact rationales, near-minimal attention-pooling baselines enter a selection-saturation regime, and hard-selection backbones can conflict with an external readout. For TransMIL, relative to its documented CLS-proxy ranking, FOCI reduces the Minimum Sufficient K (MSK) tile count by 32-56% across benchmarks, while ACMIL+FOCI attains the highest mean SHI (+0.465). Deletion-based perturbation and selected-only downstream evaluation provide complementary checks. These results position FOCI as a model-level interpretability and audit layer: selected tiles are not claims of clinical or pathologist-level diagnostic sufficiency, but candidate rationales that offer a compact, reviewable view of when a frozen MIL prediction can be localized to a small output-consistent subset.
• Abstract（参考訳）: Whole-Slide Image (WSI) multiple instance learning (MIL) 分類器は、完全なバグ予測の不透明さを残しながら、強いスライドレベルAUCを達成することができる。 注意スコアは、ポストホックな説明として広く再利用されているが、注意は、コンパクトでモデルに十分である理性ではなく、アグリゲーションの好みを反映している。 トレーニングされた分類器が与えられたら、そのスライドレベルの予測は、バックボーンをリトレーニングすることなく、コンパクトで出力に一貫性のあるタイルサブセットから回復できるか? Finding Optimal Contextual Instances (FOCI)によりこれをインスタンス化する。 FOCIは、保持/ドロップタイルサブセットに対するモデル出力の十分さと排除の目的を訓練し、WSI-MILに適合した挿入スタイルのシークエンシャルReveal Protocol(SRP)を用いて評価し、選択ヘッドルームインデックス(SHI)で要約する。 3つのWSIベンチマークと7つのMILバックボーンで、FOCIはコンパクトな合理性は選択ヘッドルームに依存していることを明らかにしている: トランスフォーマーとマルチブランチのアグリゲータはコンパクトな合理性を認め、最小限のアグリゲータベースラインは選択飽和状態に入り、ハードセレクションバックボーンは外部の読み出しと競合する。 TransMIL の CLS-proxy ランキングと比較すると、FOCI はベンチマークで最小 Sufficient K (MSK) のタイル数を 32-56% 削減し、ACMIL+FOCI は Shi (+0.465) の最高値に達した。 削除に基づく摂動と選択された下流評価は相補的なチェックを提供する。 これらの結果はFOCIをモデルレベルの解釈可能性および監査層として位置づけている: 選択されたタイルは臨床または病理医レベルの診断能力の主張ではなく、凍結したMIL予測を小さな出力一貫性サブセットにローカライズできるときのコンパクトでレビュー可能なビューを提供する候補論理である。

関連論文リスト

• UCS: Estimating Unseen Coverage for Improved In-Context Learning [24.34094317236037]
  Unseen Coverage Selection (UKS) はトレーニングなしのサブセットレベルのカバレッジであり、優れたデモセットは、現在選択されているサブセットによって明らかにされていない潜在クラスタにモデルを公開すべきである、という原則によって以前に動機付けられていた。 UCSはこのアイデアを、モデルに一貫性のある埋め込みから離散潜在クラスタを誘導し、その経験周波数スペクトルからSmoothed Good-contexting estimatorを通して、候補サブセット内の未発見クラスタ数を推定することによって運用する。 Frontier Large Language Models による複数の意図分類と推論ベンチマークの実験により、UCS による強いベースラインの強化により、ICL の精度は最大で 2-6% 向上することが示された。
  論文  参考訳（メタデータ） (2026-04-13T20:00:41Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• SEM: Sparse Embedding Modulation for Post-Hoc Debiasing of Vision-Language Models [36.40093869747498]
  本稿では,スパースオートエンコーダの潜在空間で動作するポストホック・ゼロショット脱バイアスフレームワークであるスパース埋め込み変調(SEM)を提案する。 SEMは、クエリ関連ニューロンを保持しながらバイアス関連ニューロンを特定し、調節する。 この結果から,疎度な潜在表現は,視覚言語モデルのポストホックなデバイアス化に有効な基盤となることが示唆された。
  論文  参考訳（メタデータ） (2026-03-19T15:28:08Z)
• ReaMIL: Reasoning- and Evidence-Aware Multiple Instance Learning for Whole-Slide Histopathology [1.888738346075831]
  本稿では,ReaMIL(Reasoning- and Evidence-Aware MIL)を紹介する。 頭部は柔らかいパータイルゲートを生産し、予算化された充足目標で訓練される。 我々は,WSI 上でのモデル挙動の厳密な評価のために,MSK,AUKC,および連続性を報告した。
  論文  参考訳（メタデータ） (2026-01-15T04:55:06Z)
• HADSF: Aspect Aware Semantic Control for Explainable Recommendation [4.75127493865044]
  大規模言語モデル(LLM)の最近の進歩は、推薦システムに対してより効果的な情報抽出を約束している。 本稿では,適応選択によるコンパクトなコーパスレベルのアスペクトボキャブラリを誘導し,構造化アスペクトオピニオン三重項のボキャブラリ誘導,明示的に制約された抽出を行う2段階アプローチを提案する。 1.5B-70Bパラメータにまたがる約300万のレビューに関する実験では、標準評価予測器に統合された場合、HADSFは予測エラーを一貫して減少させる。
  論文  参考訳（メタデータ） (2025-10-30T20:49:33Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• 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)
• Sparse Conditional Hidden Markov Model for Weakly Supervised Named Entity Recognition [68.68300358332156]
  雑音ラベリング機能を評価するために,スパース条件付き隠れマルコフモデル(Sparse-CHMM)を提案する。 Sparse-CHMMは、3段階のトレーニングパイプラインで教師なし学習によって最適化される。 5つの包括的なデータセットで平均F1スコアが3.01向上する。
  論文  参考訳（メタデータ） (2022-05-27T20:47:30Z)

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。