本文提出了一种基于对比学习和原型学习的实例级 MIL 框架，旨在有效完成实例分类和包分类任务，并提出了通过原型学习生成精确伪标签的方法。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。

Jul, 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

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

该研究论文提出了一种基于原型学习和多实例学习的 Trainable Prototype enhanced deep MIL (TPMIL) 框架，用于弱监督下的 WSI 分类，其不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。

May, 2023

通过引入解释性人工智能（XAI）的方法并使用层内相关传播（LRP）技术，我们重新审视了多实例学习（MIL），并提出了一种更具一般性假设的改进框架 xMIL。通过在三个模拟设置和四个真实组织病理学数据集上进行大量评估实验，我们展示了如何获得改进的 MIL 解释。我们的方法在具有挑战性的生物标志物预测任务中特别改善了忠实度评分。最后，我们展示了 xMIL 解释如何使病理学家能够从 MIL 模型中提取见解，这对于数字组织病理学中的知识发现和模型调试来说是一项重大进展。

Jun, 2024

提出了一种稀疏编码多示例学习（SC-MIL）方法，通过利用稀疏字典学习，同时改善了特征嵌入和模型化实例之间的相关性，实验结果表明，该方法可以大幅提升最先进的多示例学习方法的性能。

Oct, 2023

提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

Mar, 2022

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

为了提高对 Whole Slide Image（WSI）分析中多实例学习（MIL）方法的解释性和推理能力，我们提出了一种自解释的 MIL 方法（SI-MIL），它通过深度 MIL 框架引导一个基于手工制作的病理特征的可解释分支，从而实现线性预测，并在三种癌症类型的 WSI 级别预测任务上展示了与先进方法相媲美的结果。

Dec, 2023

本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。

Dec, 2014