IMaX 用 Tsallis α-熵替换互信息中的边际熵项，在长尾半监督域泛化下把 ESCA 与视网膜数据集准确率最高提升 7.3 个百分点
该工作指出 FBCSA 与 DGWM 等半监督域泛化方法在长尾类别分布下性能显著下降，提出 IMaX：在带标签样本监督约束下最大化特征与潜在标签的互信息，并用 Tsallis α-熵替代标准边际熵项以放宽类别均衡假设；在 ESCA 组织病理与视网膜糖网分级两个模态、三种 SSL 框架与三种 SSDG 方法上，IMaX 在除一个设置外的所有设置中提升准确率，低标注情形（mL=5）最高提升 7.3 个百分点。