基于模型的多实例学习
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
本文提出了一种使用随机有限集(RFS)进行点模式数据建模的方法，并介绍了适当的似然函数和最大似然估计器，可以学习可操作的RFS模型族。在新颖性检测中，我们提出了基于RFS模型的新型排名函数，实现了显著的性能提升。
Jan, 2017
本文提出了一种使用确定性点过程的新的原则性批处理主动学习方法，以生成样本的多样性批次。我们还开发了可行的算法来近似DPP分布的模式，并提供了理论保证。我们在几个数据集上的实验表明了我们这种方法的价值。
Jun, 2019
研究如何通过直接建模条件插值时间的条件分布来克服强制使参数化强度函数的局限性，并提出了一个简单的混合模型，其匹配了基于流的模型的灵活性，但也允许闭式采样和计算矩，该模型在标准预测任务中表现出最先进的性能，适用于学习序列嵌入和填补缺失数据等新领域。
Sep, 2019
本文提出了一个概率框架，将多实例学习扩展到多类分类和回归等其他问题，并引入一种新的一致性概念来表征估计器，证明了在温和的假设下具有良好的收敛性。实验证明，该方法在三种问题设置中具有有效性。
Apr, 2020
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
本文研究了如何通过多实例学习(MIL)方法在不完全了解异常标签的情况下，检测来自不同物理过程及不同模式的实际数据集中的异常，经过实验评估，该方法在挑战性数据集上的表现优于单实例学习，并具有一定的扩展性。
Oct, 2022
本研究针对机器学习算法设计中的信息理论缺口，提出了一种基于互信息的功能关系学习框架。该方法通过捕捉数据集中的信息结构，提升了学习算法的效率和可泛化能力，并通过实验证明了在函数分类、回归和跨数据集转移等任务中的性能提升。
Sep, 2024