本文提出了一种新的基于PAC学习的算法来处理多实例学习中的分类问题，并进行了理论分析，证明了这种算法的样本复杂度仅与背包的大小呈对数关系。

Jul, 2011

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。

Sep, 2013

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

本文提出了一种介于使用相似性和原型实例之间的、将它们各自的特点结合起来的方法，并使用随机子空间集合来设计分类器以实现在多实例学习问题上的最先进性能。

Feb, 2014

该论文探讨了利用神经网络解决多示例学习问题，并提出了一种新的多示例神经网络来学习“bag representations”，该网络采用深度监督和反向传播进行参数优化，并在多项基准测试中取得了最优或竞争性能。

Oct, 2016

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

本文介绍了第一次尝试使用图像级别的类别标签作为监督来学习语义边界检测的方法，并且提出了一种基于多实例学习的任务形式，在区别不同类别的领域之间通过互相连线代表边界。我们提出的神经网络模型可以可靠地学习估计语义边界，即使是在多实例学习策略的不确定监督下，将其用于生成训练图像的伪语义边界标签，并使用这些标签来训练完全监督模型。最终模型在 SBD 数据集上取得了出色的表现，与一些使用更强监督的模型相当竞争。

Dec, 2022

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