简述 HistAug 方法在数字病理学中的思路、优势与实验效果，强调其在可控潜在空间增强和低数据 regime 下的表现。

Controllable latent space augmentation for digital pathology

domain incremental learning 在行人重识别中拥有广泛的应用场景

持续学习在行人重识别下的应用

SFT 和 RL 相比大家都非常熟悉，LLM post training 的两把斧。目前大家的普遍共识是 SFT 容易训练，但泛化性差，RL 泛化性好，但难训练。近期有篇文章从持续学习角度讨论了为什么 RL 的泛化性要比 SFT 更好，虽然理论推导很唬人，但结论确非常简单。

为什么强化学习遗忘得更少

在病理学诊断中，AI模型已经能够在特定任务上达到甚至超越人类专家的水平，例如前列腺癌分级或淋巴结转移检测。每当需要诊断一种新的癌症亚型时，我们都必须重新收集成千上万份标注好的数据，从头开始训练一个新模型。这种“一事一训”的模式，在面对世界卫生组织分类系统中成百上千种肿瘤类型时，显得力不从心且成本高昂。

MI-Zero：让AI病理学家学会“举一反三”的零样本学习革命

在计算病理学领域，我们正处在一个由大型基础模型（Foundation Models）驱动的变革时代。这些模型在海量数据上进行预训练，能够从病理图像中提取强大的通用特征。然而，一个核心挑战随之而来：如何让这些“通才”模型适应高度特异性的下游任务（例如，精确区分两种形态上极为相似的癌症亚型），并克服不同医疗中心数据间的差异（即领域漂移 Domain Shift）？

从“通才”到“专才”：对CATE框架的深度解析与审视

持续学习是当前人工智能领域最引人入胜的前沿之一。它描绘了一个美好的愿景：让AI模型像人类一样，不断从新信息中学习，而不会忘记过去所学。然而，在学术热潮之外，一个尖锐的问题始终萦绕在实践者心头：持续学习的落地前景究竟在何方？

医疗领域中的持续学习（continual learning）

一系列发表在顶会研究，为我们揭示了一个残酷的真相：ABMIL的成功，可能建立在一个脆弱的基础上。

ABMIL的阿喀琉斯之踵：为何高分模型看不清真正的“元凶”？

将 class label 预测的遗忘问题弱化成 class group 预测的遗忘问题，通过减少预测的类别数和训练时能回顾之前的类别，提升模型抗遗忘性。