SetFlow：用于多标签学习的结构化表示集生成
机器学习
2026-04-21 v1 人工智能
计算机视觉与模式识别
摘要
数据稀缺和弱监督持续限制着机器学习模型在诸多实际应用中的性能，例如乳腺钼诊断（mammography），其中多标签学习（MIL）往往提供最佳建模方式。虽然近期基础模型提供即插即用的强语义表示，但有效地增强此类 MIL 数据的表示仍有限，因已有方法仅在实例层面运作，无法捕捉包内依赖。本文引入 SetFlow，一种生成式架构，直接在表示空间中建模整个 MIL 包（即集合）。我们的方法利用流匹配（flow matching）范式结合受 Set Transformer 启发的设计，使其能够处理不变于排列的输入，同时捕捉每个包中实例之间的相互作用。该模型在类别标签和输入尺度两个条件下运行，能够生成连贯且在语义上一致的表示集。我们在大型乳腺钼诊断基准上使用最先进的 MIL-PF 分类管道评估了 SetFlow。所生成的样本与原始数据分布高度吻合，且用于数据增强时甚至能提升下游性能。此外，仅使用合成数据训练也显示出竞争性能，表明表示空间的生成式建模在数据稀缺和隐私敏感任务中具有有效性。
引用
@article{arxiv.2604.16362,
title = {SetFlow: Generating Structured Sets of Representations for Multiple Instance Learning},
author = {Nikola Jovišić and Milica Škipina and Vanja Švenda},
journal= {arXiv preprint arXiv:2604.16362},
year = {2026}
}
备注
5 pages, 2 figures, 4 tables