FC MIL
Frequency-Aware Causal Regularization for Multiple Instance Learning in Whole Slide Image Classification
data: CAMELYON16、BRACS、内部 FLCD、LCEM
引言
联合空间与频域注意力，并在潜在特征中施加反事实扰动式因果正则，鼓励模型减少对伪相关的依赖。
方法
（1）频率注意力：联合空间与频域组织纹理。
（2）反事实扰动：在潜在特征中施加受控变化。
（3）因果正则：促使预测更依赖稳定病理线索，而非训练分布伪相关。
原文Fig. 2，PDF 第 5 页。
实验
实验设置
实验节列四个数据集：FLCD 为四类冷冻肺癌，LCEM 为 EGFR 状态二分类；比较同条件 MIL。
主要结果
正文贡献段写五个数据集，实验设置段写四个；本笔记按实际列明的四个记录，保留这处不一致。
原文TABLE I，PDF 第 8 页。
消融与讨论
分别分析频率注意力和反事实扰动正则，不能把命名为因果正则直接当作已识别真实因果效应。
参考文献
Frequency-Aware Causal Regularization for Multiple Instance Learning in Whole Slide Image Classification