論文の概要: DeCo-MIL: Debiased Counterfactual Reasoning for Long-Tailed Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2608.14719v1
• Date: Wed, 12 Aug 2026 03:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.048389
• Title: DeCo-MIL: Debiased Counterfactual Reasoning for Long-Tailed Whole Slide Image Analysis
• Title（参考訳）: DeCo-MIL:長尺スライド画像解析のための非現実的推論
• Abstract要約: 本稿では,長鎖全スライド画像(WSI)解析のためのDeCo-MILを提案する。 周波数を逸脱した反ファクト推論により、ネストした双対の長い尾を共同で緩和する。 テールクラス認識と全体分類の両方において最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 54.44377523106517
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiple instance learning (MIL) is widely used for weakly supervised whole slide image (WSI) analysis. However, under long-tailed distributions, MIL-based WSI analysis faces a nested dual long-tail: an inter-slide class long tail and an intra-slide long tail of instance-level discriminative evidence. The two long tails are coupled: tail classes have few training slides, while their limited diagnostic evidence is concentrated in a few patches and obscured by abundant within-bag redundancy. This coupling biases models toward head classes and degrades rare-class recognition. To address this, we propose DeCo-MIL for long-tailed WSI analysis, which jointly alleviates the nested dual long-tail through frequency-debiased counterfactual reasoning. For the inner long tail, DeCo-MIL clusters patches into tissue-morphology anchors, replaces each anchor with its matched normal prototype to perform a counterfactual intervention, and estimates its counterfactual contribution to the ground-truth class using class-frequency-corrected predictions. These contributions guide redundancy masking to preserve scarce discriminative instances. For the outer long tail, DeCo-MIL constructs anchor-stratified pseudo-bags from redundancy-reduced bags and combines tail-aware oversampling with consistency regularization, increasing effective supervision for tail classes while preserving tissue-morphology composition. Extensive experiments on three long-tailed WSI benchmarks demonstrate that DeCo-MIL achieves state-of-the-art performance in both tail-class recognition and overall classification.
• Abstract（参考訳）: 多重インスタンス学習(MIL)は、弱い教師付き全スライド画像(WSI)解析に広く用いられている。 しかし、長い尾の分布の下では、MILに基づくWSI分析は、スライディングクラス間の長い尾とインスタンスレベルの識別的証拠のスライディング内長い尾という、ネストされた双対の長い尾に直面している。 2つの長い尾は組み合わされている:尾のクラスはトレーニングスライドがほとんどないが、その限られた診断証拠はいくつかのパッチに集中しており、豊富な内袋冗長性によって隠蔽されている。 この結合はモデルをヘッドクラスに偏り、レアクラスの認識を低下させる。 これを解決するために、周波数偏りの逆ファクト推論によりネストした二重長テールを共同で緩和する長鎖WSI解析のためのDeCo-MILを提案する。 内側の長い尾では、DeCo-MILは組織形態のアンカーに集合し、それぞれのアンカーをマッチした正常なプロトタイプに置き換えて、反実的介入を行い、クラス周波数補正予測を用いて、その反実的寄与を地表面構造クラスに推定する。 これらの貢献は、少ない差別的な事例を保存するために冗長マスキングを導く。 外側の長い尾に対して、DeCo-MILは、冗長性還元された袋からアンカー成層した擬似バッグを構築し、テール認識オーバーサンプリングと整合正則化を組み合わせ、組織形態学的組成を維持しながら、テールクラスの効果的な監督を増強する。 3つの長い尾を持つWSIベンチマークの大規模な実験は、DeCo-MILがテールクラス認識と全体的な分類の両方において最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Sub-Clustering for Class Distance Recalculation in Long-Tailed Drug Classification [3.015770349327888]
  薬物化学の分野では、特定の尾のクラスは、その特異な分子構造的特徴により、訓練中に高い識別性を示す。 本稿では,サンプルサイズに基づく従来の静的評価パラダイムから脱却する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T00:09:10Z)
• A dual-branch model with inter- and intra-branch contrastive loss for long-tailed recognition [7.225494453600985]
  長い尾のデータセットで訓練されたモデルは、テールクラスへの適応性が低く、決定境界は曖昧である。 我々は,不均衡学習枝と対照学習枝(CoLB)を含む,単純で効果的なDual-Branch Long-Tailed Recognition (DB-LTR)を提案する。 CoLBは、テールクラスに適応する際のモデルの能力を改善し、不均衡な学習ブランチを支援して、よく表現された特徴空間と識別的決定境界を学習する。
  論文  参考訳（メタデータ） (2023-09-28T03:31:11Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Feature Fusion from Head to Tail for Long-Tailed Visual Recognition [39.86973663532936]
  テールクラスにおけるセマンティック情報の不十分に起因するバイアスのある決定境界は、認識精度の低下に寄与する重要な要因の1つである。 我々は,H2T(head-to-tail fusion)と呼ばれるヘッドクラスから多様な意味情報を移植することで,テールクラスを増強することを提案する。 理論的解析と実用実験の両方で、H2Tが決定境界に対してより最適化された解に寄与できることが示されている。
  論文  参考訳（メタデータ） (2023-06-12T08:50:46Z)
• Improving GANs for Long-Tailed Data through Group Spectral Regularization [51.58250647277375]
  本稿では, スペクトル爆発によるモード崩壊を防止する新しいグループスペクトル正規化器 (gSR) を提案する。 我々は,gSRが既存の拡張および正規化技術と効果的に組み合わせることで,長期化データ上での最先端の画像生成性能が向上することを発見した。
  論文  参考訳（メタデータ） (2022-08-21T17:51:05Z)
• Improving Tail-Class Representation with Centroid Contrastive Learning [145.73991900239017]
  本稿では,長い尾を持つ表現学習を改善するために,補間型セントロイドコントラスト学習(ICCL)を提案する。 ICCLは、クラス別サンプルとクラス別サンプルの2つの画像を補間し、ICCLの表現が両方のソースクラスのセントロイドを取得するために使用されるようにモデルを訓練する。 我々の結果は、現実世界の長い尾の分布を持つiNaturalist 2018データセットで2.8%の精度向上を示した。
  論文  参考訳（メタデータ） (2021-10-19T15:24:48Z)
• Exploring Classification Equilibrium in Long-Tailed Object Detection [29.069986049436157]
  そこで本研究では,各カテゴリの平均分類スコアを用いて,各カテゴリの分類精度を示す。 EBL (Equilibrium Loss) と Memory-augmented Feature Smpling (MFS) 法による分類のバランスをとる。 尾クラスの検出性能を15.6 APで改善し、最新の長い尾を持つ物体検出器を1 AP以上で上回っている。
  論文  参考訳（メタデータ） (2021-08-17T08:39:04Z)
• Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
  我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。 複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。 RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
  論文  参考訳（メタデータ） (2020-10-05T06:53:44Z)
• Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
  本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。 本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。 非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2020-06-18T10:24:26Z)

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。