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

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

本研究提出了一种新的多实例变分自编码器（MIVAE）算法，该算法能够显式地建模实例之间的依赖关系，从而更好地预测袋标签和实例标签，并在多个多实例基准数据集和端到端医学影像数据集上取得了比现有算法更好的效果。

May, 2021

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

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

通过应用基于注意力机制的多示例学习方法，创新地利用硬样本在分类边界建模中的好处，提出一种新的多示例学习框架，使用掩码硬实例挖掘（MHIM-MIL）的思想，旨在使学生模型学习到更好的判别边界。实验证明，MHIM-MIL 在性能和训练成本方面优于其他最新方法。

Jul, 2023

通过引入背包级别的分类器，我们设计了迭代耦合的多实例学习（ICMIL）来解决高计算成本的问题，并通过教师-学生框架提高细分嵌入

Dec, 2023

本研究解决了全切片图像分类中的手动标注稀缺和图像高分辨率带来的问题。通过将弱监督学习任务转化为半弱监督学习，提出了自适应伪包增强（AdaPse）和MergeUp特征增强技术，从而提高模型的训练数据多样性。实验结果表明，该方法在多个数据集上的表现优于现有最先进的技术，展示了其在全切片图像分类中的有效性。

Aug, 2024