论文页面 - 上下文多实例学习

来源：https://huggingface.co/papers/2606.06458

摘要

在合成的包结构数据上预训练一个Perceiver风格的架构，能够在多实例学习场景中，利用少量标注样例实现高效、任务自适应的分类。

多实例学习 (Multiple Instance Learning, MIL) 解决的是标签仅在实例包级别可用的问题，并已成功应用于从计算病理学到卫星图像等多个领域。然而，现有算法在标注样本稀缺的场景下表现不佳，而这正是许多现实应用的特点。灵活模型容易过拟合，而刚性模型又难以适应当前任务。我们证明，在合成数据上预训练一个基于Perceiver风格架构的上下文学习器，能够得到一种仅需少量标注包即可解决新任务的模型。推理时，分类只需一次前向传播，无需梯度更新。我们提出并研究了针对包结构数据的多种合成数据生成器，发现它们能捕获互补的归纳偏置。在多种生成器混合数据上预训练的模型继承了各自在每项任务上的优势，并在十二个MIL基准测试中取得了最佳平均性能，超越了需要特定任务训练的有监督基线。

查看 arXiv 页面 (https://arxiv.org/abs/2606.06458)
查看 PDF (https://arxiv.org/pdf/2606.06458)
GitHub1 (https://github.com/injurise/ICMIL)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.06458)

在您的代理中获取此论文：

hf papers read 2606.06458

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

暂无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.06458 以从此页面链接。

引用此论文的数据集 0

暂无数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.06458 以从此页面链接。

引用此论文的 Spaces 0

暂无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.06458 以从此页面链接。

包含此论文的收藏集 0

暂无收藏集包含此论文

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面链接。