Apr, 2023

数据驱动的知识融合用于深度多实例学习

PDF
TL;DR本文提出了基于数据驱动知识融合的深度多实例学习算法（DKMIL），该算法采用新的模型数据接口，通过知识融合模块从样本中提取有价值的信息以辅助模型训练，并使用两级注意力模块逐步学习样本的浅层和深层特征以实现更有效的分类。在对 6 个类别的 38 个数据集进行实验的同时证明了知识融合模块的可扩展性和所提出体系结构的有效性。
multi-instance learningdeep learningdata-driven knowledge fusionknowledge scalabilitytwo-level attention module
发现论文，激发创造
  • 基于注意力机制的深度多示例学习

    本文提出了一种基于神经网络的置换不变聚合运算符，并展示了其在多个 MIL 数据集上的实验表现，特别是在两个真实组织病理学数据集上的表现，同时保持了可解释性。

    Feb, 2018

  • 使用马尔科夫网络的判别训练进行多实例学习

    本文提出了一种基于马尔可夫网络的多实例学习图形框架，可用于建模传统的 MIL 定义以及更一般的 MIL 定义，并在弱监督数据中探索了不同水平的不确定性。为了训练这些模型，我们提出了一种利用基于基数的 cliques 的有效推理的判别最大化边际学习算法。实验结果表明编码或学习不确定性的程度可以提高分类性能。

    Sep, 2013

  • 面向多领域不平衡数据的领域感知对比知识转移

    本文研究了多领域不平衡学习（MIL）的情形，提出了一种名为 DCMI 的领域感知对比知识传递方法来鼓励正向传递相似领域间的共享领域知识并最小化来自不同领域的负向传递。在三个不同的数据集上评估了 DCMI 的性能，展示了不同的 MIL 方案中显著的改进。

    Apr, 2022

  • 用于检测顺序现实数据集中异常的多实例学习

    本文研究了如何通过多实例学习 (MIL) 方法在不完全了解异常标签的情况下，检测来自不同物理过程及不同模式的实际数据集中的异常，经过实验评估，该方法在挑战性数据集上的表现优于单实例学习，并具有一定的扩展性。

    Oct, 2022

  • 利用图神经网络进行多实例学习

    本文提出一种基于图神经网络的多实例学习算法，将每个数据包视为图，并使用图神经网络学习包嵌入，利用实例之间的结构信息来预测标签。实验证明，该算法在多个常用数据集上达到了最先进的效果，且不失模型的可解释性。

    Jun, 2019

  • KnFu: 有效的知识融合

    分散学习、联邦知识蒸馏和模型漂移是关键词，本文提出了一种有效的知识融合算法，通过分析本地模型的知识有效性来实现个性化知识融合，实验证明在拥有大规模和高度异构的本地数据集的情况下，本地训练可能优于基于知识融合的解决方案。

    Mar, 2024

  • 多实例学习：问题特征和应用综述

    本文综合研究了不同类型的多实例学习问题的特点，并提供了解决每一类问题的方法，考察了这些特征在关键应用领域中的体现，最后通过实验比较了 16 种最先进的算法在所选问题特征上的性能。

    Dec, 2016

  • 动态策略驱动自适应多实例学习用于整张切片图像分类

    将动态实例采样和强化学习集成到一个统一的框架中，形成一种新的动态策略实例选择方案，以改进实例选择和特征聚合，用于更好和更可靠的决策制定。

    Mar, 2024

  • 针对全尺寸图像的高效信息融合：基于同心双重融合注意力的多实例学习

    数字病理学中，Concentric Dual Fusion Attention-MIL (CDFA-MIL) 框架结合点到区域特征列注意力和点到点同心行注意力，使用同心补丁，有效融合相关信息，增强特征表示，并为 WSI 分析提供更强的相关性指导， 在准确性和 F1 分数上显着超越传统 MIL 方法，相应地在 Camelyon16 和 TCGA-NSCLC 等知名数据集上实现了平均准确率和 F1 得分分别为 93.7% 和 94.1% 的显著进展。

    Mar, 2024

  • 利用神经网络形式主义解决多实例问题

    本文提出了一种基于神经网络的多实例学习技术，在 14 个公开基准数据集上进行了八种分类器的比较，结果表明该技术可以有效地优化和发现袋子中的未知模式

    Sep, 2016