12:02arXiv cs.AI@Alexander Möllers, Marvin Sextro, Julius Hense, Gabriel Dernbach, Klaus-Robert Müller精选多实例学习(MIL)处理的是包级别监督的问题,在计算病理学、卫星图像等领域有广泛应用。但现有算法在低标签数据场景下表现不佳,灵活模型容易过拟合,刚性模型难以适应新任务。本文提出一种基于Perceiver架构的上下文学习器,在合成数据上预训练后,仅需少量标注包即可解决新任务,推理时单次前向传播完成,无需梯度更新。研究设计了多种合成数据生成器,它们捕获互补的归纳偏置,混合预训练模型在12个MIL基准上平均性能最优,超越需要任务特定训练的监督基线。论文多实例学习上下文学习Perceiver架构弱监督学习合成数据推荐理由:做弱监督学习或医疗图像分析的团队,终于有了一个无需微调就能从少量标注包中学习的方案——单次前向传播搞定,值得直接试试。原文