- AAAI具有消除混杂层次预测数据干扰的干预式多实例学习
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。
- CVPR弱监督目标定位与域自适应
本文采用领域适应任务的视角，提出了一种 DA-WSOL 流程，旨在通过目标采样策略、多领域适应本地化损失函数和 Universum 正则化等方法来解决 WSOL 中存在的激活问题，进而提高弱监督对象定位的表现。实验表明，该流程在多个基准测试 - 生物医学关系提取的抽象化多实例学习 (AMIL)
研究提出了用抽象化的多实例学习（AMIL）来改善远程监督下生物医学关系抽取中的训练噪声及数据分布问题。同时，提出了一种新的关系嵌入结构，在生物医学关系提取中进一步提高模型的性能。
- ACL面向远程监督关系抽取的对比实例学习框架
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 - AAAI协同对抗训练增强远程监督关系抽取
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（distantl - CVPR基于局部全局背景建模的弱监督时序动作定位
本研究基于 BaSNet 的 WS-TAL 任务使用 MIL 训练了 Local-Global Background Modeling Network（LGBM-Net）模型，通过集成多个模型获得最终检测结果，测试集 mAP 达到 22.4 - IJCAI利用变分自编码器进行非独立同分布多实例学习以预测实例和包标签
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。
- ACL基于多实例学习的实体级关系抽取端到端模型
本文提出了一个联合模型，用于从文件中提取实体级别的关系。该模型在实体级别上操作，采用多任务方法，并通过多实例学习以及多级表示技术聚集相关信号，旨在提取文档中的关系。研究结果表明，该模型在 DocRED 数据集上获得了最优的实体级别关系提取结 - COLING利用协作关系增强注意力提升长尾关系抽取
本文提出一种新的神经网络模型 ——Collaborating Relation-augmented Attention (CoRA) 去处理关系提取中的错误标注和长尾关系，并基于此在指标 Precision@N, AUC 和 Hits@K - ACL更好地利用图片描述提升图像字幕质量
本文提出了一种新的图像字幕架构，通过构建以字幕为导向的视觉关系图以及利用弱监督多实例学习引入有益的归纳偏差来增强图像表示和字幕生成，实现多模态问题解决和优化。在 MSCOCO 数据集上进行广泛实验，证明该框架在多种评估指标下取得了业内最优表 - 利用多实例学习无需本地注释的胸部 X 光关键结果定位
本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。
- AAAI基于提议的活动图像到视频检索方法
本文提出了一种通过结合 R-C3D 模型、多实例学习以及图卷积网络，实现对活动图像 - 视频检索中噪声干扰的解决方法，并采用点到子空间距离的几何感知三元组损失来保持活动建议的结构信息。
- 报告未报告的事件：事件提取用于分析仇恨犯罪的本地表现
通过对本地新闻文章的事件抽取和多实例学习，提出恶意犯罪预测模型，用于检测 FBI 缺乏统计数据的城市中的恶意犯罪，并比较预测与 FBI 报告的准确率，结果表明恶意犯罪在当地新闻中相对于其他类型的犯罪确实存在着较大的欠报现象。
- CVPR使用自组织记忆模块学习网络数据
本文提出了一种新颖的方法，通过多实例学习框架将同一类别的 ROIs (即图像及其区域提议) 分组，并基于其最近集群的代表性 / 差异性分数分配不同的权重来处理噪声问题，包括标签噪声和背景噪声，并将记忆模块与分类模块自然集成在一起，取得了令人 - ACL基于文档级图卷积神经网络的句间关系提取
本文提出了一种新的文档级图形结构的交叉句关系提取模型，该模型利用各种句间和句内依赖关系构建图形，并利用多实例学习和双仿射配对评分来预测实体对之间的关系。实验结果表明，该模型在两个生物医学数据集上的表现与最先进的神经模型相当，并且文中提到的所 - ACL基于自动噪声检测的实体链接远程学习
本文介绍了一种在没有标记数据的情况下，通过多实例学习和噪声检测的方法，学习从知识库中链接提及的实体，特别是对于科学领域等标记信息有限的领域。
- EMNLP基于动态路由的关注胶囊网络用于关系提取
本研究提出了一种基于胶囊网络和注意力机制的神经网络方法，用于关系提取的多实例多标签学习，实验结果表明该方法显著提高了关系提取的精度，尤其是多实体关系提取。
- AAAI跨关系跨包注意力的远程监督关系抽取
本论文提出了基于 Cross-relation Cross-bag 选择性注意力（C $ ^ 2 $ SA）的多实例学习，以实现对遥感监督关系提取器的噪音鲁棒训练。
- EMNLP多层结构化自注意力用于远程监督关系抽取
提出了一种新颖的基于多层结构化自我关注机制的深度神经网络，在多实例学习框架下，利用双向循环神经网络进行远程监督关系抽取，该模型显著优于现有基线模型。
- ACL从嘈杂数据中引导生成器
本文旨在利用大规模数据集中的对齐松散的数据和相关文本（例如 DBPedia 事实和维基百科摘要）自动学习数据表示与文本之间的对应关系，使用多实例学习方法自动发现数据和文本对之间的对应关系，并展示如何将其用于训练编码器 - 解码器架构，提高模