研究表明，转换器体系结构的关注机制实际上是现代 Hopfield 网络更新规则，可以存储指数级多个模式，在免疫库分类等具有大量示例的问题中可以利用这种高存储容量来解决问题。通过将转换器类似的关注与现代 Hopfield 网络相结合，我们提出了 DeepRC 方法，对于包括模拟和真实世界病毒感染数据在内的大规模实验，DeepRC 能够在预测性能方面胜过所有其他方法，并可以提取与给定疾病类别相连的序列模体。

Jul, 2020

单细胞数据集 MMIL 的混合建模方法能够精确识别白血病细胞并跨组织和治疗时间点推广，为细胞分类提供了一种新颖的方法，有望在未知标签和高维度情况下促进疾病的理解和管理。

Jun, 2024

本文提出了一种名为 RMI-SVM 的松弛多实例支持向量机方法，使用 Noisy-OR 模型强制 MIL 约束，并联合优化袋标签和实例标签，以解决传统的 MIL 问题，经实验证明，在各种基准测试中，RMI-SVM 始终实现了卓越的性能。同时，简单应用 RMI-SVM 于一个具有挑战性的视觉任务，常见物体发现，Pascal VOC 数据集上的最新结果进一步证实了该方法的优点。

Oct, 2015

本文提出了一种名为 REED 的新方法来解决卷积神经网络在存在噪声标签时训练的挑战，该方法通过无监督学习获取表示，通过分类器的半监督自训练解决噪声标签学习问题，并联合半监督重新训练表示和分类器，实现了对噪声标签的鲁棒性，大量实验结果表明，该方法在高噪声水平下可以显著击败现有的最先进方法。

Nov, 2020

在本研究中，我们调查了五种具有代表性的深度多实例学习模型，并发现这些模型都没有遵守标准的多实例学习假设。它们能够学习到相互反相关的实例，即在看到反例之前默认为 “正例”，这在一个正确的多实例学习模型中是不可能发生的。我们怀疑从这些模型派生的增强方法和其他工作也存在相同的问题。这种错误的学习可能导致操作失误，因此在使用这些模型的任何情况下，都存在潜在的风险。我们提出了一种 “算法单元测试” 的方法来鉴别并证明这个问题，创建了一些可以由遵守多实例学习假设的模型解决的合成数据集，并清楚地显示出违反多实例学习假设的学习结果。五种评估方法中的每一种都未能通过一个或多个这些测试，为识别建模假设的违规提供了与模型无关的方法，我们希望这对未来多实例学习模型的开发和评估有所帮助。

Oct, 2023

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

采用自适应免疫库不变变分自编码器（AIRIVA）模型，成功地将 T 细胞受体（TCR）免疫库在不同群体遗传学和测序深度的条件下的变化分离，实现了病原特异性 TCR 识别，并应用于 COVID-19 的感染和疫苗，以及单纯疱疹病毒（HSV-1 和 HSV-2）的研究。

Apr, 2023

将动态实例采样和强化学习集成到一个统一的框架中，形成一种新的动态策略实例选择方案，以改进实例选择和特征聚合，用于更好和更可靠的决策制定。

Mar, 2024

本文通过引入与统计物理的 Ising 模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法 (VGPMIL-PR)，提高了在组织病理学图像中检测前列腺癌的效果，并通过可视化和分析提供了洞察力，有望在其他研究领域中应用该模型。

Oct, 2023

本文介绍一种名为 AntiBERTy 的语言模型，该模型基于 558M 个天然抗体序列进行训练，在免疫库中对抗体进行聚类，用于理解免疫应答的亲和力成熟的过程，针对高度冗余的序列进行多实例学习，以确定免疫库中关键的结合残基。该方法的进一步发展将能够仅从免疫库序列中提供新的抗原结合洞察。

Dec, 2021