基于包的不相似性的多示例学习
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。
Sep, 2013
本文综合研究了不同类型的多实例学习问题的特点，并提供了解决每一类问题的方法，考察了这些特征在关键应用领域中的体现，最后通过实验比较了16种最先进的算法在所选问题特征上的性能。
Dec, 2016
本文提出一种基于图神经网络的多实例学习算法，将每个数据包视为图，并使用图神经网络学习包嵌入，利用实例之间的结构信息来预测标签。实验证明，该算法在多个常用数据集上达到了最先进的效果，且不失模型的可解释性。
Jun, 2019
本研究提出了一种新的多实例变分自编码器（MIVAE）算法，该算法能够显式地建模实例之间的依赖关系，从而更好地预测袋标签和实例标签，并在多个多实例基准数据集和端到端医学影像数据集上取得了比现有算法更好的效果。
May, 2021
本文研究了多示例学习（MIL）中模型的可解释性，并提出了几种模型无关的方法来满足这些要求，在多个数据集上与现有的基于模型的MIL模型进行比较，并取得了高达30%的解释性准确性的提高。同时研究了这些方法识别实例间相互作用的能力和扩展到大型数据集，从而提高了它们应对实际问题的能力。
Jan, 2022
本研究提出了一种新的正则化方法，即渐进性丢失层（PDL），旨在解决弱监督学习中过拟合问题，并增强多实例学习模型在发现复杂和有影响力的特征表示方面的能力。通过在多个多实例学习方法中集成PDL，我们在各种基准数据集上进行了广泛的评估，结果显示PDL的整合不仅提高了分类性能，还增强了模型进行弱监督特征定位的潜力。
Aug, 2023
本研究解决了多实例学习中常见的实例分类问题，提出将其视为一个半监督实例分类问题，从而充分利用带标签和未带标签的实例进行分类器训练。通过引入弱监督自我训练方法，利用正袋标签构建约束，最终在多个数据集上取得了新的最先进的性能，推动了这一领域的发展。
Aug, 2024