多实例学习

多实例学习（Multi-instance Learning, MIL）是一种特殊的机器学习方法，它与传统的单实例学习（Single-instance Learning）有所不同。在多实例学习中，标签并不是直接分配给单个样本，而是分配给样本的集合，通常称为“袋”（bag）。一个袋子包含多个实例（样本），而该袋子的标签只有一个，即“袋标签”。每个实例可以有不同的特征和标签，但它们共同组成一个袋子，且袋标签表示该袋子整体的标签。

关键概念：
袋标签：每个袋子（即一个实例集）有一个标签，但袋标签不能完全反映个别实例的标签。

实例标签：袋子中的每个实例没有明确的标签，只有在特定情况下通过袋标签推断出来。通常，袋标签指示至少有一个实例的标签信息。例如，若袋子标签为正类，意味着至少有一个实例属于正类；如果袋子标签为负类，所有实例应该属于负类。

举个例子：
假设我们有一组医学影像，每张影像可能包含肿瘤的多个不同部位，而医生只对整个影像进行标注（标记为“含有肿瘤”或“无肿瘤”）。但是我们并不知道影像中具体哪些部位含有肿瘤。这里的影像就是袋子，而影像中的部位则是实例。

如果影像被标记为“含有肿瘤”（正类），那么至少有一个部位可能含有肿瘤。

如果影像被标记为“无肿瘤”（负类），那么所有部位都应该没有肿瘤。

常见的应用：
医学图像分析：对医学图像进行分类时，肿瘤可能出现在多个地方，而我们只知道整体影像是否含有肿瘤。

文本分类：对于某些任务，一个文档可能包含多个段落，而每个段落有不同的信息，但是整个文档的标签是给定的。

物体检测：在物体检测任务中，每个图像可能包含多个对象，但我们只知道图像中是否存在某个对象。

总结：
多实例学习通过对袋子（而非单一实例）进行标签化，使得模型可以学习到在样本集合中找出对分类或预测有意义的实例。常见的算法包括基于聚类、基于最优化的 MIL 方法等。