BagShift

BagShift研究量化了补丁选择对全切片MIL模型的影响

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。