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

提出使用迭代自适应有监督对比学习来改善多示例学习表示的框架，通过使用从样本级别伪标签获得的实例级伪标签来处理类不平衡问题，并使用新颖自适应抽样策略来确保伪标签的准确性，在三个医学数据集上的实验表明，该框架提高了实例级伪标签和表示的质量，并在袋和实例级准确性方面优于现有的MIL方法。

Oct, 2022

为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。

Apr, 2023

提出了一种新的多实例学习（MIL）模型，使用距离感知自注意力（DAS-MIL）来考虑图像中不同补丁之间的相对空间关系，以提高医学图像分析的精度。通过在 MNIST-based MIL 数据集和公开的癌症转移检测数据集 CAMELYON16 上评估我们的模型，证明了该模型超越了现有的多数MIL方法。

May, 2023

对医学图像分类应用进行的研究表明，使用未标记的数据可以提高分类器的性能，通过自监督学习和半监督学习的方法，本研究在医学图像领域设计了一个基准测试，发现MixMatch、SimCLR和BYOL方法是强有力的选择，并提供适用于新医学任务的设置以及进一步搜索的方法。

Jul, 2023

在计算病理学中，通过对抽样补丁进行训练的多实例学习（MIL）方法在计算效率上是高效的，并且作为一种正则化策略。本研究探讨了不同采样大小对性能趋势以及对模型可解释性的影响，并在CAMELYON16数据集上使用30%的补丁实现了1.7%的性能提升，在TUPAC16数据集上仅使用8个样本实现了3.7%的性能提升。此外，我们发现解释性效果与数据集相关，在CAMELYON16上受到了影响，而在TUPAC16上则没有受到影响，这进一步证实了抽样与性能和解释性之间的关系与任务具体相关。与预先提取的特征相比，使用1024个样本进行的端到端训练在两个数据集上都取得了进一步的改进，进一步突显了这种高效方法的潜力。

Mar, 2024

通过使用多实例学习 (MIL) 框架，我们限制深度学习模型使用信息的数量来进行最终分类，从而提高模型在医学图像分析领域的鲁棒性和解释性。

May, 2024

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

本研究解决了现有多实例学习（MIL）模型在全切片图像（WSIs）分类中缺乏可靠性评估的问题。论文提出了三种度量方法来比较MIL模型的可靠性，并通过区域标注数据集进行测试。研究发现，尽管均值池化实例（MEAN-POOL-INS）模型在设计上较为简单，但其可靠性优于其他网络，具有重要的应用潜力。

Sep, 2024

本研究解决了多实例学习在医学成像分类中定位性能不足的问题。通过提出一种新颖且灵活的机制来建模实例之间的局部依赖关系，显著提高了定位精度。研究表明，该方法在定位方面达到了最新水平，同时在分类任务中表现出竞争力或优越性。

Oct, 2024