SGPMIL：稀疏高斯过程多实例学习
计算机视觉与模式识别
2026-01-21 v2
摘要
多实例学习（MIL）为仅有粗糙的包级标签且没有实例级标注的情形提供了自然解决方案，这在数字病理学中常见，后者包含巨型像素级图像。虽然确定性注意力基于MIL的方法在包级性能方面取得了强劲的结果，但它们常常忽略了实例相关性固有的不确定性。本文通过引入基于稀疏高斯过程（SGP）的概率注意力MIL框架（SGPMIL），来解决实例级注意力得分缺乏不确定性量化的问题。SGPMIL通过学习注意力得分的后验分布，实现原则性的不确定性估计，从而产生更可靠、更校准的实例相关性图。我们的ethods不仅保持了竞争性的包级性能，还在不确定性下显著提高了实例级预测的质量和可解释性。SGPMIL扩展了先前工作，通过在SGP预测均值函数中引入特征缩放，实现更快的训练、 improved效率和增强的实例级性能。在多个广为人知的数字病理学数据集上的大规模实验表明，我们的方法在包级和实例级评估方面都有效。我们的代码可在https://github.com/mandlos/SGPMIL获取。
引用
@article{arxiv.2507.08711,
title = {SGPMIL: Sparse Gaussian Process Multiple Instance Learning},
author = {Andreas Lolos and Stergios Christodoulidis and Aris L. Moustakas and Jose Dolz and Maria Vakalopoulou},
journal= {arXiv preprint arXiv:2507.08711},
year = {2026}
}
备注
8 pages, 4 figures, 2 tables. Accepted to IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026