机器学习笔记 - 多实例学习（MIL）弱监督学习

一、多实例学习概述

        多实例学习（MIL）是一种弱监督学习形式，其中训练实例被排列在称为袋的集合中，并为整个袋提供标签。这种方式越来越受到人们的关注，因为它自然适合各种问题，并允许利用弱标记数据。因此，它被应用于计算机视觉和文档分类等不同的应用领域。

        多实例学习（MIL）处理以集合形式排列的训练数据，称为bag。不提供袋子中所含实例的单独标签。这种问题表述引起了研究界的广泛关注，尤其是近年来，解决大型问题所需的数据量呈指数级增长。大量的数据需要越来越多的标签工作，弱监督方法，可以减少这种负担。MIL在许多其他应用领域得到了越来越多的应用，如图像和视频分类、文档分类和声音分类。

        MIL是监督学习的一种变体，在很多文章或者论文中，大多是进行病理学应用。该技术涉及将单个类标签分配给输入集合 - 在此上下文中称为实例包。虽然假设包中的每个实例都存在标签，但无法访问这些标签，并且在训练期间它们仍然未知。如果袋子中的所有实例都是负的，则袋子通常标记为负数，如果至少有一个正实例（称为标准 MIL 假设），则标记为正数。下图显示了一个简单的示例，其中我们只知道钥匙串是否包含可以打开给定门的钥匙。这使我们能够推断绿色钥匙可以打开门。

二、多实例学习的应用

        MIL在各个领域找到应用程序，在这些领域中，训练数据可以自然地组织到包中。一些例子包括：