Imperial College London（帝国理工学院）

Geometry-Aware Uncertainty Coresets for Robust Visual In-Context Learning in Histopathology

面向几何的不确定性聚类用于病理学中鲁棒的视觉上下文学习

Franciskus Xaverius Erick, Johanna Paula Müller, Bernhard Kainz

机构 * FAU Erlangen-Nürnberg, Erlangen, DE（埃尔兰根-纽伦堡大学） ； Department of Computing, Imperial College London, London, UK（伦敦帝国理工学院计算机系） 纠错

AI总结 本文提出GAUC，一种无需训练的聚类选择方法，直接在预训练的多模态嵌入空间中操作，通过优化三个目标提升视觉上下文学习的鲁棒性、准确性和校准性。

Did Models Learn Sufficiently? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation

模型是否充分学习？通过子集选择的反事实增强进行归因引导训练

Yannan Chen, Ruoyu Chen, Wei Wang, Bin Zeng, Jinke Li, Shiming Liu, Qunli Zhang, Yaowei Wang, Xiaochun Cao

机构 * School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区信息科学与技术学院） ； PCL ； Institute of Information Engineering, CAS（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tianjin University（天津大学） ； Lanzhou University（兰州大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 针对模型仅依赖有限充分原因导致泛化性差的问题，提出子集选择反事实增强（SS-CA），通过基于LIMA归因的反事实生成和数据增强，改善模型因果学习，提升分布内和分布外性能。