多示例学习：一种监督学习范式中，训练数据以“包（bag）”为单位标注，而不是给每个单独样本（instance）标注。通常一个包里包含多个实例：在经典设定下，正包表示其中至少有一个实例为正例，负包表示其中所有实例都为负例。（也存在其他变体设定。）
/ˌmʌlti ˈɪnstəns ˈlɝːnɪŋ/
In multi-instance learning, we label a bag of images instead of each image patch.
在多示例学习中，我们给一组图像（一个包）打标签，而不是给每个图像小块分别打标签。
Multi-instance learning is useful when instance-level labels are expensive, such as detecting tumors from whole-slide pathology images.
当获取单个实例的标签成本很高时（例如从整张病理切片图像中检测肿瘤），多示例学习就很有用。
该术语由 **multi-**（“多的”）+ instance（“实例/样本”）+ learning（“学习”）构成，强调学习时的基本标注单位不是单个样本，而是包含多个样本的“包”。作为机器学习研究术语，它在 1990 年代中后期被系统提出并普及，用于处理“只能拿到包级标签”的现实标注场景。
Select Language