本文提出了 MIML（多实例多标签学习）框架，可以更方便、更自然地表示具有多重语义含义的复杂对象，并基于简单的退化策略提出了 MimlBoost 和 MimlSvm 算法。同时，本文还提出了用于解决 MIML 问题的 D-MimlSvm、InsDif 和 SubCod 算法，并在实验中证明了它们的优异表现。

Aug, 2008

本文提出了一种基于图标签增强的新的多实例多标签分类学习框架（GLEMIML）以提高分类性能和利用标签的重要性。GLEMIML 首先通过建立图识别实例之间的相关性，然后通过非线性映射将从特征空间挖掘到的隐含信息迁移到标签空间，从而恢复标签的重要性，并通过匹配和交互机制训练增强的数据，GLEMIML (AvgRank:1.44) 在多个基准数据集上表现出比 SOTA 方法 (AvgRank:2.92) 更好的结果。

Apr, 2023

该研究提出了一种名为 BMIML 的新单阶段框架，它包含三个创新模块：基于 BLS 的自动加权标签增强学习、可缩放多实例概率回归（SMIPR）和交互式决策优化（IDO），可以在单个阶段中实现整个图像、实例和标签之间的多样互相关系学习，以提高分类准确性并快速训练，同时在准确性方面高度竞争，并且速度比大多数 MIML 方法快得多，甚至对于大型医学图像数据集（>90K 图像）也是如此。

Sep, 2022

MIML 库是一个用于开发、测试和比较多实例多标签（MIML）学习分类算法的 Java 软件工具，它包括 43 种算法，具有特定的数据管理和划分格式、评估性能的标准度量指标以及报告生成功能。

Feb, 2024

本研究提出基于特权信息的多实例多标签卷积网络 (MIML-FCN+)，利用包级别特权信息以及卷积层的灵活性，提高多目标识别应用的效果。实验表明，该网络优于现有的最先进方法。

Feb, 2017

本研究提出了一种基于协作矩阵分解的解决方案，称为 M3Lcmf，该方法使用异构网络编码不同类型的关系，探索包、实例和标签之间的潜在关系，并选择性地合并数据矩阵，进一步引入聚合方案，将实例级标签聚合到包级别，并指导分解，实验结果表明，在实例级和包级预测方面，M3Lcmf 优于其他相关解决方案。

May, 2019

本文提出了一种基于神经网络的多实例学习技术，在 14 个公开基准数据集上进行了八种分类器的比较，结果表明该技术可以有效地优化和发现袋子中的未知模式

Sep, 2016

本文提出了利用排名约束估计与低维标签嵌入之间的对应关系来发现一种新的、快速的标签嵌入算法，并展示了其在多类问题和多标签问题中的应用，最终实现了指数级的运行时间优化，其中在两个大规模公共数据集上的结果优于现有技术。

Mar, 2015

本文研究了多标签学习的不完整标签分配问题，提出了一种名为 MPU 的方法，该方法基于正数和未标记随机梯度下降和堆叠模型，可以同时有效且高效地考虑丢失的标签和标签之间的关联性，从而更好地解决了大规模多标签学习问题。

Jul, 2014

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