ProtoMIL: Multiple Instance Learning with Prototypical Parts for Whole-Slide Image Classification

要約

複数インスタンス学習（MIL）は、その弱い教師ありの性質から、多くの現実の機械学習アプリケーションで人気を博している。しかし、MILの説明に関する研究は遅れており、通常、特定の予測に重要な袋のインスタンスを提示することに限定されている。本論文では、ProtoMILを導入することでこのギャップを埋める。ProtoMILは、視覚的プロトタイプ上で動作する事例ベース推論プロセスに触発された、新しい自己説明可能なMIL手法である。プロトタイプの特徴をオブジェクトの記述に取り込むことにより、ProtoMILは前例のないほどモデルの精度ときめ細かい解釈可能性を両立させることができる。

要約(オリジナル)

Multiple Instance Learning (MIL) gains popularity in many real-life machine learning applications due to its weakly supervised nature. However, the corresponding effort on explaining MIL lags behind, and it is usually limited to presenting instances of a bag that are crucial for a particular prediction. In this paper, we fill this gap by introducing ProtoMIL, a novel self-explainable MIL method inspired by the case-based reasoning process that operates on visual prototypes. Thanks to incorporating prototypical features into objects description, ProtoMIL unprecedentedly joins the model accuracy and fine-grained interpretability, which we present with the experiments on five recognized MIL datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL