arXiv 机器学习· Yunru Zheng, Wun Ting Chan, Sampras Dsouza, Zhenyu Hong·· 4 小时前AI 评分34
可扩展贝叶斯高斯过程分类用于癌症组织病理学：分布偏移下的不确定性校准
Scalable Bayesian Gaussian Process Classification for Cancer Histopathology: Calibrated Uncertainty Under Distribution Shift
AI 导读
研究人员提出面向癌症组织病理学的可扩展贝叶斯高斯过程分类（GPC）框架，基于 Phikon 基础模型嵌入结合 RPCholesky 分解与 HMC 采样，支持约 300,000 规模的训练样本。在 PCam 与 CAMELYON17-WILDS 基准上，该方法相比神经网络等基线将预期校准误差最多降低 88%、假阴性率最多降低 90%，有效改善了跨医院分布偏移下的不确定性校准。
来源：arXiv 机器学习 · arxiv.org