LML MPEM

Learning from Majority Label: A Novel Problem in Multi-class Multiple-Instance Learning

data: 论文中的四个多类 MIL 数据集

收藏标记 Pattern Recognition 2026；所附链接为 arXiv 2025 版本 · 论文 · 作者代码

引言

研究包标签等于实例多数类别的多类 MIL，以计数网络和多数比例增强模块学习实例分类；其标签假设与经典阳性包 MIL 不同。

方法

（1）计数网络：估计每个实例类别，并按类别数量形成包内多数预测。

（2）多数标签训练：只用包级多数类别监督实例学习。

（3）MPEM：移除部分少数实例以增加多数比例，缓解监督歧义。

原文Figure 4，PDF 第 9 页。

实验

实验设置

以包内多数类别为包标签，目标是学习实例类别；该设定不同于经典存在一个阳性即阳性包。

主要结果

比较实例级准确率，结果支持计数网络和多数比例增强；不能把该标签机制直接套到稀疏肿瘤检测。

消融与讨论

消融计数网络与 MPEM，并分析多数类比例；先确认真实任务是否满足多数标签假设。

参考文献

Learning from Majority Label: A Novel Problem in Multi-class Multiple-Instance Learning

收藏标记 Pattern Recognition 2026；所附链接为 arXiv 2025 版本 · 论文 · 作者代码

本文归入相关 MIL 方法：具体研究对象见数据与实验设置。