0 概述

0.1 题目

??AAAI2022：实例级混淆预测的介入式多示例学习 (Interventional multi-instance learning with deconfounded instance-level prediction)

0.2 背景

??多示例学习中预测包标签时，实例标签预测的准确性不仅仅依靠实例本身，还同时依赖于所属包中的上下文关系。从因果推理的角度来看，这种包上下文先验知识将作为一个混杂因素，从而引发模型的鲁棒性和可解释性问题。

0.3 方法

??本文提出介入式多示例学习框架 (interventional multi-instance learning, IMIL) 来实验实例级混淆预测。与传统的基于似然的方法不同，IMIL设计了一种基于因果介入的期望最大化 (expectation-maximization, EM) 算法，以在训练阶段提供稳健的实例选择，并抑制由袋子上下文先验引起的偏差。

0.4 Bib

@article{lin2022interventional,
author		=	{Tian Cheng Lin and Hong Teng Xu and Can Qian Yang and Yu Xi},
title		=	{Interventional Multi-Instance Learning with Deconfounded Instance-Level Prediction},
booktitle	=	{AAAI Conference on Artificial Intelligence},
year		=	{2022}
}

1 引入

??由于人工资源、时间，以及成本的限制，细粒度数据，如高分辨率图像的逐像素标注的通常不适用于实际应用。为了降低高质量标记的需求，多示例学习 (multi-instance learning, MIL) 将多个实例看作一个包，并从一组标记包中学习一个实例级别的分类器。这样的学习形式以及应用于多个领域，如图像分类、对象追踪，以及语义分割等。整片病理图像 (whole slide pathological image, WSI) 是其中的一个代表应用。每个WSI是一个包含病理标签的包，WSI的每一个区块是包中的无标记实例。MIL框架的目的便是学习一个可以识别病例区块的实例级分类器。
??目前，已有很多MIL算法被提出且取得了不错的成绩。然而它们通常需要面对包上下文先验 (bag contextual prior) 问题。特别地，包上下文先验是一种与包对应但与其实例无关的实例共享信息，在应用于深度神经网络等模型时可能导致病态的实例级预测。
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??
??