一项新的研究论文介绍了BagShift，一种衡量补丁选择的变化如何影响全切片多实例学习（MIL）模型所见证据的方法。研究表明，即使在固定的计算预算下，改变补丁选择过程也会导致截然不同的结果。例如，在PANDA数据集上，与广泛采样相比，将补丁选择集中在单个坐标周围会将一个关键性能指标降低17.96个点。该研究强调了在部署过程中评估补丁选择器保留的内容以及如何聚合观测结果的重要性。 AI
影响 强调了对全切片成像模型中补丁选择进行稳健评估的关键需求，影响了诊断AI的开发。
排序理由 研究论文，详细介绍了一种评估机器学习模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
