TL;DR本文提出了一种基于袋之间的不相似性的向量表示方法，用于多实例学习中的学习和分类，这种方法在多个 MIL 数据集上都具有与最先进算法相当的性能，计算代价较小。
Abstract
multiple instance learning (MIL) is concerned with learning from sets (bags)
of objects (instances), where the individual instance labels are ambiguous. In
this setting, supervised learning cannot be applied dire
本文提出了一种基于马尔可夫网络的多实例学习图形框架，可用于建模传统的 MIL 定义以及更一般的 MIL 定义，并在弱监督数据中探索了不同水平的不确定性。为了训练这些模型，我们提出了一种利用基于基数的 cliques 的有效推理的判别最大化边际学习算法。实验结果表明编码或学习不确定性的程度可以提高分类性能。