本文介绍了两个新设计：动态标签分布策略和辅助分类器，通过使用点变换器与联邦学习方法预测多地点HER2状态。同时，提出了基于余弦距离的最远余弦采样，选择最具特色的特征并捕捉长程依赖关系。实验结果表明，该方法在多个地点的WSIs上实现了最先进的性能，并且可以泛化到未见过的地点。

本文研究了监督式机器学习中数据集受到分布外污染的情况，并提出了使用辅助分类器来检测和重新标注这些污染数据的方法。实验结果显示该方法显著提高了卷积神经网络的性能，并与其他噪声抗干扰技术进行了比较。

本文介绍了两个新设计，通过使用点变换器与联邦学习方法预测多地点HER2状态。新设计包括动态标签分布策略和辅助分类器，并提出了基于余弦距离的最远余弦采样方法。实验结果表明，该方法在多个地点的WSIs上实现了最先进的性能，并且可以泛化到未见过的地点。

本研究探讨了辅助分类器在生成逆事实图像时的监督作用，并发现了属性放大的问题。为解决此问题，提出了软对反事实微调的方法，并在大型胸部X射线数据集上验证了其有效性。该研究使医学影像的因果建模更真实和无偏。

通过点变换器与联邦学习方法对多地点HER2状态进行预测，提出了动态标签分布策略和辅助分类器，建立可初始化的模型和减轻不同地点标签分布的变化。实验证明，在4个地点的2687个WSIs上实现了最先进的性能，并且模型可以泛化到两个未见过的地点，共229个WSIs。

本文介绍了一种新方法，将人名加入生成文本。通过 OCR 识别图像中的文字并 fine-tuning 预训练模型，同时修改了之前的多模态框架，接受来自任意数量的辅助分类器提供的相关信息。同时，创建了一个新的图像-标题数据集，名为 PAC，包含了一些知名人物的图像和对这些图像的描述，这些描述中包含了人名。