ASMIL
ASMIL: Attention-Stabilized Multiple Instance Learning for Whole Slide Imaging
data: CAMELYON16、CAMELYON17、BRACS；附录生存与非 WSI 任务
引言
以锚点模型稳定跨训练轮次的注意力，结合归一化 sigmoid 和随机 token 丢弃，同时缓解注意力震荡、过度集中及过拟合。
方法
（1）锚点模型：提供相对稳定的注意力参考。
（2）归一化 sigmoid：缓解 softmax 使注意力集中于少数实例。
（3）随机 token 丢弃：减少过拟合，与锚点稳定共同训练。
实验
实验设置
主文比较 11 类注意力 MIL，以 F1/AUC 为主；数据处理、划分及训练设置位于附录 B。
主要结果
完整 ASMIL 的增益与仅把锚点/归一化 sigmoid 插入其他模型的增益分开报告。
消融与讨论
分别考察锚点稳定、归一化 sigmoid 和 token 丢弃，检查跨 epoch 注意力波动而非只看最终热图。
参考文献
ASMIL: Attention-Stabilized Multiple Instance Learning for Whole Slide Imaging