arXiv · cs.AI· Jayanie Bogahawatte, Sachith Seneviratne, Simon Maksour, Dzung Do-Ha, Elizabeth Qian, Samuel Brennan, Matthew Keon, Lezanne Ooi, Saman Halgamuge·· 5 小时前
模型无关知识增强机器学习提升弱标注生物图像分类并解析ALS病理
Model-agnostic Knowledge Augmented Machine Learning for Weakly Annotated Bioimaging Data
arXiv:2610.13637v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jayanie Bogahawatte, Sachith Seneviratne, Simon Maksour, Dzung Do-Ha, Elizabeth Qian, Samuel Brennan, Matthew Keon, Lezanne Ooi, Saman Halgamuge
研究任务与主要进展
研究团队提出模型无关的知识增强机器学习方法，将领域知识引入弱标注生物图像的自动特征提取，并在七种机器学习架构上改善分类表现。该方法结合掩码自编码器自监督学习后，在三个内部显微图像数据集上将精确率较次优方法提高2.9%，在三个公开细胞形态学基准上平均提高6.8%。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org