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

本研究提出了一种基于深度卷积神经网络和注意力机制的多示例学习方法，旨在对整个组织切片图像进行分析并发现对诊断具有关键意义的细胞区块，并在结直肠和乳腺癌病理数据上取得了最先进的表现。

Jun, 2019

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

本篇研究提出了一种名为DEMIPL的算法，采用消歧关注机制将多实例袋子(AKA多袋)转换为单一向量表示，并通过动量消歧策略在候选标签集中识别地面真相标签，为肠癌分类研究提供了一个真实世界的MIPL数据集，并在基准和真实世界的数据集中获得了比其他著名MIPL和部分标签学习方法更卓越的实验结果。

May, 2023

本研究提出了一种基于深度神经网络和Bernstein多项式估计的专用实例方法ProMIL来解决多实例学习中标签分配问题，并证明其在医学应用方面胜过标准基于实例模型。

Jun, 2023

使用合作博弈理论灵感，结合Shapley值和注意力机制，改进多实例学习方法，提高实例级别信息的估计准确性和幻灯片标签的预测性能。通过实验证明，在计算病理学领域的CAMELYON-16、BRACS和TCGA-LUNG数据集上，我们的方法优于现有最先进的方法，提供了更好的解释性和类别洞察，并将代码在接受后进行发布。

Dec, 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

本研究针对现有的基于注意力的多实例学习算法在整片切片图像分类中存在错误聚焦于无关模式的问题。我们提出了一种基于最大池化和前向变分推理的简单有效的实例基础多实例学习方法（FocusMIL），显著提升了在Camelyon16和TCGA-NSCLC基准上的分类表现，并改善了对困难实例的识别能力。

Aug, 2024