MR Block
Exploiting Low-Dimensional Manifold of Features for Few-Shot Whole Slide Image Classification
data: CAMELYON16、TCGA-NSCLC、TCGA-RCC
引言
把任务适配拆分为固定随机几何锚点和可训练低秩残差分支，以尽量保留基础模型特征的低维流形结构，改善少样本分类。
方法
（1）固定锚点：以随机映射尽量保留原始特征几何关系。
（2）低秩残差：只学习任务所需的小幅调整。
（3）残差组合：把基础几何与可训练适配相加，降低少样本过拟合自由度。
原文Figure 2，PDF 第 4 页。
实验
实验设置
比较不同 shot 数，使用 AUC、AUPRC、宏 F1 和 ACC，另测参数量与几何性质。
主要结果
结果支持几何锚点与低秩残差的组合；少样本收益必须对应相同训练样本数。
原文Table 1，PDF 第 6 页。
消融与讨论
消融固定随机分支、低秩残差和秩/维度等配置，检查表征流形与分类表现的共同变化。
参考文献
Exploiting Low-Dimensional Manifold of Features for Few-Shot Whole Slide Image Classification