論文の概要: Statistical Testing for Multiple Instance Learning via Selective Inference with Applications to Computational Pathology

• arxiv url: http://arxiv.org/abs/2609.31712v1
• Date: Mon, 21 Sep 2026 02:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:35:05.616156
• Title: Statistical Testing for Multiple Instance Learning via Selective Inference with Applications to Computational Pathology
• Title（参考訳）: 選択推論による複数インスタンス学習の統計的テストと計算病理学への応用
• Abstract要約: 本稿では、注目に基づくインスタンス選択と適応参照選択によって引き起こされる選択イベントを考慮に入れた選択推論フレームワークを提案する。 合成およびMNISTに基づくデータに対して,従来のオーバーコンディショニング手法よりも高い統計的パワーでType-Iエラー制御を実証する実験を行った。
• 参考スコア（独自算出の注目度）: 13.539098792972013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple instance learning (MIL) is widely used in computational pathology because it enables weakly supervised analysis of whole-slide images (WSIs) without requiring patch-level annotations. In attention-based MIL, instances with high attention scores are often interpreted as diagnostically important regions and used as visual explanations. However, attention scores alone cannot determine whether selected high-attention instances are significantly different from normal instances, limiting the reliability of attention-based explanations. In this paper, we formulate the evaluation of high-attention instances as a statistical hypothesis testing problem. Specifically, we assess whether a selected high-attention instance significantly deviates from a representative normal reference instance selected based on feature similarity. A major challenge is that both the target instance and the reference instance are selected through data-dependent procedures, rendering standard hypothesis testing invalid. To address this issue, we introduce a selective inference (SI) framework that explicitly accounts for the selection events induced by attention-based instance selection and adaptive reference selection, thereby enabling the computation of valid selective $p$-values conditional on these events. Experiments demonstrate Type-I error control on synthetic and MNIST-based data and practical applicability to pathological WSIs, with higher statistical power than the conventional over-conditioning approach.
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング(MIL)は、パッチレベルのアノテーションを必要とせずに、全スライディング画像(WSI)の弱い教師付き解析を可能にするため、計算病理学において広く用いられている。 注意に基づくMILでは、高い注意スコアを持つインスタンスは診断上重要な領域として解釈され、視覚的説明として使用されることが多い。 しかし、注意スコアだけでは、選択されたハイアテンションインスタンスが通常のインスタンスと大きく異なるかどうかを判断することができず、注意に基づく説明の信頼性が制限される。 本稿では,統計的仮説テスト問題として,高アテンションインスタンスの評価を定式化する。 具体的には、選択したハイアテンションインスタンスが、特徴類似性に基づいて選択された代表的正規参照インスタンスから著しく逸脱するかどうかを評価する。 大きな課題は、ターゲットインスタンスと参照インスタンスの両方がデータ依存のプロシージャによって選択され、標準仮説テストが無効になることだ。 この問題に対処するために、注目ベースのインスタンス選択と適応参照選択によって引き起こされる選択イベントを明示的に考慮した選択推論(SI)フレームワークを導入し、これらのイベントに対して有効な$p$-valuesの計算を可能にする。 実験では、合成およびMNISTに基づくデータに対するType-Iエラー制御と、従来のオーバーコンディショニング手法よりも高い統計的パワーを持つ病理WSIへの実践的適用性を実証した。

関連論文リスト

• AUCp: Pseudo-AUC for Inference Model Selection with Unlabeled Validation Data in Abnormality Detection [7.217936242005966]
  異常検出は、医療画像解析において不可欠だが難しい課題である。 多くの研究は、複数のトレーニングイテレーションから推論のための最良のモデルを選択するためにラベル付き検証セットに依存している。 AUCpは、教師なしおよび自己監督的手法の異常検出をサポートする新しい計量である。
  論文  参考訳（メタデータ） (2026-06-07T17:24:16Z)
• Selective Mixup for Debiasing Question Selection in Computerized Adaptive Testing [50.805231979748434]
  コンピュータ適応テスト (Computerized Adaptive Testing, CAT) は、オンライン教育プラットフォームにおける学習者の習熟度を評価する技術である。 選択バイアスは、質問選択が推定された熟練度に強く影響されるため生じる。 本稿では,Cross-Attribute Examinee RetrievalとSelective Mixup-based Regularizationの2つの主要なモジュールからなるデバイアス化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-19T08:55:01Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• Bounded P-values in Parametric Programming-based Selective Inference [23.35466397627952]
  我々は,p-値の下と上の境界を計算する手法を提案することにより,所望の精度を確保しつつ計算コストを削減する手法を提案する。 本稿では,線形モデルにおける特徴選択と深部ニューラルネットワークにおける注目領域同定のための仮説テスト問題における提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-07-21T04:55:03Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• More Powerful Conditional Selective Inference for Generalized Lasso by Parametric Programming [20.309302270008146]
  条件付き選択的推論(si)は、データ駆動仮説の新しい統計推論フレームワークとして研究されてきた。 二次パラメトリックプログラミングに変換可能な問題のクラスに対して,より強力で一般的な条件付きSI法を提案する。
  論文  参考訳（メタデータ） (2021-05-11T10:12:00Z)

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。