조직학 Foundation Models에 기하학적 Test-Time Augmentation이 필요한 경우
요약
본 기사는 조직학 Foundation Models(FMs) 환경에서 Test-Time Augmentation (TTA)의 유효성을 분석합니다. 연구 결과, TTA는 여전히 개선 효과를 제공하지만, 그 이점은 범용 모델 대비 감소하는 추세입니다. 또한, 불확실한 예측에만 선택적으로 TTA를 적용하는 '엔트로피 라우팅' 기법을 제안하여 계산 오버헤드를 줄이고 성능 손실을 최소화할 수 있음을 입증했습니다.
핵심 포인트
- TTA는 여전히 유용하지만, 자기 지도 학습 기반 FM 등장으로 그 이점이 감소함.
- 범용 백본 대비 조직학 FM의 TTA 개선 폭이 줄어드는 경향을 보임.
- 엔트로피 라우팅은 샘플 증강 비율을 낮추면서도 대부분의 성능 이득을 회복시킴.
- 패치 레벨에서의 TTA 개선 효과는 슬라이드 레벨 다중 인스턴스 학습(MIL)으로 전이되지 않음.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기