SetFlow: Un'architettura generativa per l'apprendimento multi-istanza nello spazio di rappresentazione

SetFlow introduce una nuova architettura generativa progettata per affrontare la scarsità di dati e la supervisione debole nelle applicazioni di machine learning come la mammografia, dove l'Apprendimento Multi-Istanza (MIL) è comunemente utilizzato. Il modello opera direttamente nello spazio di rappresentazione, modellando interi bag MIL come insiemi piuttosto che singole istanze. Combina il flow matching con un design ispirato al Set Transformer per gestire input invarianti alla permutazione catturando al contempo le dipendenze intra-bag tra le istanze. Condizionato sia dalle etichette di classe che dalla scala di input, SetFlow genera insiemi coerenti e semanticamente strutturati di rappresentazioni. Questo approccio supera i limiti dei metodi esistenti che non riescono a catturare le interazioni all'interno dei bag. Il lavoro è documentato nel preprint arXiv 2604.16362v1, classificato come annuncio incrociato. Generando insiemi strutturati, SetFlow mira a migliorare le prestazioni nelle applicazioni reali dove i tradizionali metodi di data augmentation risultano insufficienti.