标签
阿姆斯特丹大学的一项研究将基于强化学习的多实例学习、对抗去偏和偏好条件化超网络相结合，用于学业风险学生预测。研究发现，公平性目标可以加入到可解释的 RL-MIL 流水线中，但仅凭偏好条件化无法实现性能与 Equalized Odds（机会均等）之间可控的权衡，原因是存在模式坍缩。
本文介绍了MIL-BERT，这是一种通过选择相关摘录来对任意长文本进行分类的算法，在多个数据集上实现了最先进的性能，并提供了性能与解释保证。
本文提出BridgeMIL，一种用于基于EEG的疾病诊断的两阶段框架，通过多实例学习将实例表示学习与受试者级监督解耦。它在三个EEG疾病数据集上取得了最先进的准确率，优于强基线方法。
本文提出了一种基于注意力的多实例学习（ABMIL）框架，利用癌症登记处的患者级别标签来训练用于肿瘤组分类的深度学习分类器，无需每份报告的注释，在BC癌症登记处的任务上实现了0.83的宏F1。
介绍了一种基于分布的多实例学习框架，利用零膨胀贝塔建模，从组织病理学切片中改进非小细胞肺癌肿瘤比例评分的预测。
本文提出通过可学习信用分配的结果监督过程奖励建模（LCA），一个在最弱一环原则下联合学习信用分配和奖励建模的框架，将其形式化为一个使用Softmax加权和池化的多实例学习问题。实验表明，它在多个任务上优于现有的结果监督过程奖励模型（PRMs）。
本文介绍QG-MIL，一种门控Transformer聚合器，缓解了医学影像多实例学习中的注意力集中问题，无需辅助损失即可实现领域无关的性能。
本文提出一种基于Perceiver架构的模型，在合成袋结构数据上预训练，使得在少量标注样本下也能高效地进行任务自适应分类，在十二个基准测试中优于监督基线方法。
本文分析了大语言模型中的幻觉检测问题，提出了一种最大池化方法，该方法通过消除昂贵的语义一致性计算来提高效率，同时保持具有竞争力的性能。
本文提出一个新颖框架，将大语言模型与多示例学习相结合，通过将话语分解为情绪、逻辑和行为三个维度，并使用多视角门控注意力机制来检测心理健康文本中的认知扭曲。该方法在韩文和英文数据集上展现了改进的性能，特别是对于具有高解释歧义性的扭曲。