ADR
ADR: Attention Diversification Regularization for Mitigating Overfitting in Multiple Instance Learning based Whole Slide Image Classification
data: CAMELYON16、CAMELYON17、内部 LBC
引言
为注意力分数加入负 Shannon 熵正则，鼓励注意力覆盖更多实例，以较小的训练改动缓解过拟合与注意力过度集中。
方法
（1）注意力诊断：检查注意力熵与分类表现之间的关系。
（2）熵正则：在原 MIL 损失中加入负 Shannon 熵，鼓励较分散的权重。
（3）直接接入：保持原聚合器主体，通过训练目标调整注意力分配。
实验
实验设置
同时覆盖域内分类和跨医院域外评估；CAMELYON16 官方训练集再按 9:1 划分训练/验证。
主要结果
效果以加入 ADR 前后的聚合器对比为主；作者还展示注意力熵和性能的关系及热图变化。
原文Table 2，PDF 第 6 页。
消融与讨论
比较 ABMIL、DSMIL、TransMIL 等接入方式；需区分相关性分析与增加熵正则后的干预式实验。
参考文献
ADR: Attention Diversification Regularization for Mitigating Overfitting in Multiple Instance Learning based Whole Slide Image Classification