该研究提出了一种新颖的干预型多实例学习（IMIL）框架，并通过因果干预设计期望最大化（EM）算法来实现训练过程中的强大实例选择以及抑制袋子上下文先验引起的偏差。 实验表明，IMIL 方法可以显著减少误报，并优于现有 MIL 方法。

Apr, 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

本文提出了一种基于神经网络的置换不变聚合运算符，并展示了其在多个 MIL 数据集上的实验表现，特别是在两个真实组织病理学数据集上的表现，同时保持了可解释性。

Feb, 2018

本文提出了一种新的对比实例学习框架，用于减少远程监督生成的训练数据中的噪声。与传统的多实例学习框架不同，该框架将初步多实例学习作为关系三元组编码器，并针对每个实例的正负对进行限制，实验证明该方法在 NYT10、GDS 和 KBP 上较以前的方法有显著提高。

Jun, 2021

通过协作对抗训练（collaborative adversarial training），结合虚拟对抗训练和对抗训练等不同级别的训练方法来提高数据利用率，有效地解决标签噪声带来的数据利用不足的问题，并在远程监督下的关系提取（distantly supervised relation extraction）中实现了约 5 个 AUC 分数的提升。

Jun, 2021

通过自监督学习方法在血涂片中为基于 MIL 的 AML 亚型分类提供无标签数据的预训练编码器，实现与有监督预训练相媲美的性能，为 AI 基础疾病诊断领域提供了一种经济高效的解决方案。

Mar, 2024

使用多实例学习和 BERT 模型，我们提出了一个简单的数据编码方案，以降低噪音并获得了远程监控生物医学关系提取的最新性能，同时进一步编码关于关系三元组方向的知识，从而减少噪音并减轻了与知识图完成的联合学习的需要。

May, 2020

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