多示例學習(multiple-instance learning)[1]由dietterich等人在2023年提出，其與監督學習、半監督學習和非監督學習有所不同，它是以多示例包(bag)為訓練單元的學習問題。在多示例學習中，訓練集由一組具有分類標籤(label)的多示例包(bag)組成，每個多示例包(bag)含有若干個沒有分類標籤的示例(instance)。如果多示例包(bag)至少含有乙個正示例(instance)，則該包被標記為正類多示例包（正包）。如果多示例包的所有示例都是負示例，則該包被標記為負類多示例包（負包）。多示例學習的目的是，通過對具有分類標籤的多示例包的學習，建立多示例分類器，並將該分類器應用於未知多示例包的**。
很多傳統的分類問題可以轉化為多示例學習問題。例如，在影象分類中，我們把含有「大象」的影象被分為正類，不含有「大象」的影象被分為負類。在訓練集中，假設60幅影象含有「大象」，40幅影象不含有「大象」。
（1）對於上圖，在傳統分類中，一幅影象可以轉化為乙個向量（示例）。因此，資料集中有60個正類示例（影象）和40個負類示例（影象）。每乙個示例（影象）的label都是已知的，訓練集給定的。在60個正類示例和40個負類示例的基礎上，建立分類器，區分正類示例和負類示例
（2）但是，一幅可能包含複雜的內容資訊，譬如這幅畫不僅含有「大象」，還包含了天空、和草地等多個影象內容。對於「大象」來說，「天空」和「草地」可以被認為是雜訊，這導致**時分類精確度的降低。
（3）因此如果把整幅影象看作單個向量，難以充分描述多個影象內容。為此，研究者把影象按照不同內容區域進行分割，如下：
我們把圖2看作乙個多示例包bag，1個分割區域看作乙個示例instance。由於圖2含有3個分割區域，因此圖2的多示例包含有3個示例instance。每乙個分割區域（instance）可以轉化為1個向量。因此，圖2的多示例包含有3個向量，這就把傳統的影象分類轉化為多示例學習問題。
在多示例學習中，多示例包bag的label是已知的，示例instance的label是未知的。圖2屬於正類，含有「大象」，這個影象label是訓練集給定的。但是，圖2的3個分割區（instance），哪個區域含有大象，哪個區域不含有大象，我們是不知道的。因此，在多示例中，多示例包bag (影象)的label是已知的（訓練集給定的），但是，示例instance（分割區域）的label是未知的。我們的任務是，在正類多示例包bag和負類多示例包bag的基礎上，建立分類器，區分正類多示例包和負類多示例包。困難之處在於，每個多示例包含有若干個示例（向量），只有多示例包（影象）的label是已知的，多示例包裡面的示例（分割區域）的label是未知的。
dietterich t g, lathrop r h, lozano-pérez t. solving the multiple instance problem with axis-parallel rectangles[j]. artificial intelligence, 1997, 89(1-2): 31-71.
機器學習 多示例學習MIL
根據訓練資料的歧義性大小，大致可以把在該領域進行的研究劃分為三種學習框架 監督學習 非監督學習和強化學習。監督學習的樣本示例帶有標記 非監督學習的樣本示例沒有標記，因而該學習模型的歧義性較大。多示例學習可以認為是與三種傳統學習框架並列的第四種學習框架，由dietterich等人於1997年提出，提出...
機器學習 多示例學習MIL
根據訓練資料的歧義性大小，大致可以把在該領域進行的研究劃分為三種學習框架 監督學習 非監督學習和強化學習。監督學習的樣本示例帶有標記 非監督學習的樣本示例沒有標記，因而該學習模型的歧義性較大。多示例學習可以認為是與三種傳統學習框架並列的第四種學習框架，由dietterich等人於1997年提出，提出...
MIL 多示例學習 特徵選擇
乙個主要的跟蹤系統包含三個成分 1 外觀模型，通過其可以估計目標的似然函式。2 運動模型，位置。3 搜尋策略，尋找當前幀最有可能為目標的位置。mil主要的貢獻在第一條上。mil與ct的不同在於後者是通過感知矩陣進行特徵提取，而mil是通過boosting框架來進行特徵選擇，選擇出來的特徵 高斯分布 ...