【Attentionbased-Multi Instance Learning（A-MIL）笔记——多示例学习】

文章主要贡献

1. 将可解释性融入到MIL方法中，并增加其灵活性
2. 应用对称函数的基本定理提供了建模袋子标签（bag level）概率(袋子分数函数（score function）)的一般过程
3. 用一种可训练的加权平均来代替广泛使用的置换不变算子

贡献1——可解释性融合

即使用神经网络参数化所有变换。
灵活性
本篇文章将寻常MIL中的置换不变算子改为了具有参数的可学习可更新的注意力算子，这使得提出的基于注意力的 MIL 池化允许对 bag 内的实例分配不同的权重，因此 bag 的最终表示可能对 bag 级分类器非常有信息。换句话说，它应该能够找到关键实例。此外，将基于注意力的 MIL 池化与由神经网络参数化的转换 𝑓 和 𝑔 结合应用，使整个模型完全可微分和自适应。这两个事实使得提出的 MIL 池化成为一个潜在的非常灵活的操作符，可以建模任意置换不变的评分函数。
可解释性
理想情况下，在正标签（𝑌=1）的情况下，高注意力权重应分配给可能具有标签 𝑦𝑘=1 的实例（关键实例）。也就是说，注意力机制允许轻松解释提供的决策，具体到实例级别的标签。实际上，注意力网络不提供实例级分类器那样的评分，但可以被认为是它的代理。基于注意力的 MIL