SIB MIL
SIB-MIL: Sparsity-Induced Bayesian Neural Network for Robust Multiple Instance Learning on Whole Slide Image Analysis
data: CAMELYON16、TCGA-NSCLC、BRACS、TCGA-COAD；COAD→BRCA 域外验证
引言
在贝叶斯 MIL 网络参数上引入 Horseshoe 稀疏先验，抑制弱监督下的噪声与预测方差，同时支持不确定性量化。
方法
（1）稀疏先验：用 Horseshoe 替代常见高斯先验。
（2）贝叶斯学习：通过后验表达参数不确定性，并关闭无效参数。
（3）MIL 接入：增强多种聚合器，兼顾包分类与异常/定位分析。
实验
实验设置
与四种 MIL backbone、三种特征编码器组合，主表报告十次运行的均值和标准差；另测定位与不确定性。
主要结果
ABMIL 配置下，P-FROC 从 0.387 到 0.395，P-AUC 从 0.742 到 0.754；定位指标与分类 AUC 不是同一个量。
原文TABLE I，PDF 第 6 页。
消融与讨论
比较稀疏 Horseshoe 先验与常规高斯 BNN，并观察后验波动及活跃参数数量。
参考文献
SIB-MIL: Sparsity-Induced Bayesian Neural Network for Robust Multiple Instance Learning on Whole Slide Image Analysis