每一种错误都有其规模：面向多类多实例学习的非对称错误严重性训练
计算机视觉与模式识别
2026-03-17 v1
摘要
多实例学习 (MIL) 已成为 Whole Slide Image (WSI) 诊断的有前景的范式，能够在标注有限的情况下有效学习。然而，现有的 MIL 框架忽略了诊断优先级，无法区分多类情境下误分类的严重程度，导致临床关键错误未被针对。我们提出一种误差严重性感知的训练策略，将诊断类别组织成层次结构，各层采用加权交叉熵损失进行优化，以更强烈地惩罚高严重性误分类。此外，通过概率对齐方式实现层次一致性，这是一种应用于实例包的语义特征置换，可稳健训练类别优先级并适配涉及多症状的临床案例。还引入一种基于非对称 Mikel's Wheel 指标，用于量化医学领域特定的错误严重程度。在挑战性的公开数据集和真实世界的室内数据集上实验表明，我们的方法显著降低了 MIL 诊断中的关键错误。我们还在自然域数据上提供额外实验，表明所提方法在医学语境之外的通用性。
引用
@article{arxiv.2603.13682,
title = {Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning},
author = {Sungrae Hong and Jiwon Jeong and Jisu Shin and Donghee Han and Sol Lee and Kyungeun Kim and Mun Yong Yi},
journal= {arXiv preprint arXiv:2603.13682},
year = {2026}
}
备注
Accepted by CVPR 2026