本研究提出了一种新颖的多实例学习专用Dropout方法（MIL-Dropout），旨在解决特征噪声和弱监督问题。实验结果表明，去掉包中最重要的前k个实例能显著提升模型性能，且计算成本几乎可以忽略不计。

本研究提出了一种新的概率空间注意力多实例学习框架（PSA-MIL），旨在解决全滑动图像分类中传统方法无法充分利用空间关系的问题。该方法通过可学习的距离衰减先验，将空间上下文融入注意力机制，从而提高分类准确性并降低计算成本。

本研究提出了一种适应尺度的多实例学习方法（SMILE），旨在改善STAS肺癌的病理诊断。通过引入尺度自适应注意机制，SMILE在多个数据集上超越了临床平均AUC，为计算病理学的发展奠定了基础。

本研究探讨社交媒体谣言与立场检测的互补性，提出了一种基于大语言模型的多实例学习方法，并通过微观博客传播模型进行弱监督。实验结果表明，该方法在多个数据集上表现优异。

本研究提出了一种无标签的多实例学习方法，专注于千兆像素的组织病理学图像分析，解决了解释性不足的问题。该方法通过生成可理解的病理概念，消除了对昂贵人工注释的需求，实验结果表明其在主流数据集上表现优异，具有良好的应用前景。

本文提出了多种改进的多实例学习（MIL）方法，以提高组织病理学全幅切片图像（WSI）的分析性能。包括Hierarchical Attention-Guided框架、改良位置嵌入和自解释MIL方法等，均在多个数据集上表现优异。此外，PathM3框架和PAMT模型通过有效结合图像和文本，提升了分类准确性和生成能力，展示了在临床应用中的潜力。

本研究利用机器学习技术分析胎盘全切片图像，以识别母体炎症反应（MIR）。结果表明，基于注意力的多实例学习模型实现了88.5%的分类准确率，为MIR的早期识别提供了新方法。

本文介绍了一种基于深度卷积自编码神经网络的画家分类新方法，分类准确率从90.44%提高至96.52%。研究还提出了弱监督检测绘画作品中物体的方法，结合多实例学习，减少了手动标记的需求。此外，探讨了AI生成艺术的分类与管理，使用迁移学习和机器学习实现画家的自动识别，分类准确率达到85%。

本文提出了多种基于多实例学习（MIL）的方法，以提高全切片图像（WSI）分析的准确性和可解释性。研究涵盖自解释MIL、属性驱动MIL和FocusMIL等框架，均在癌症检测和分类任务中表现出色，推动了数字病理学的发展。

本文提出了一种基于深度学习的多实例学习方法，用于从组织病理学图像中识别癌症亚型，测试结果显示其准确性优于传统方法。研究强调了该方法在癌症检测中的应用潜力，并提出了染色规范化模型以提高特征泛化能力，解决了数字病理学中的特征聚类问题。

本文探讨了多实例学习（MIL）在全切片图像（WSI）分类中的应用，提出了虚拟伪包、基于注意力的框架和自适应伪包增强等创新方法，显著提高了分类准确性和模型训练效率。这些方法在多个数据集上表现优异，展示了MIL在病理学中的潜力。

本研究提出了一种新的方法来解决传统中医舌诊中齿痕舌头识别的问题，通过使用视觉变换器和多实例学习，提取舌头区域并识别齿痕舌头。研究结果表明该方法具有高准确性，提高了诊断的客观性和准确性，对临床实践具有重要价值。

DetectBERT是一种新方法，解决了Android恶意软件检测中的问题。它结合了多实例学习和DexBERT，能够处理多维度的恶意软件特征。研究表明，DetectBERT在检测性能上超越了现有技术，并显示出适应不断变化的恶意软件威胁的潜力。

该文章介绍了一种基于注意力机制的多实例学习方法，用于处理切片图像分类问题。该方法通过排除冗余块降低标注代价，并在乳腺癌和非小细胞肺癌数据集上取得了更好的性能。

多实例学习在计算病理学中成功应用于全扫描图像分析，提供了多种预测任务的方法。论文提出了一种新的多实例学习框架 M4，用于从全扫描图像中预测多个基因突变。该模型在五个测试的 TCGA 数据集上相对于当前最先进的单任务方法有显著提升。

多实例学习（MIL）是一种用于组织病理学图像分类的流行方法。研究者提出了PAMT，一种基于提示的自适应模型转换框架，通过适应组织病理学数据来提高MIL分类性能。他们在两个数据集上进行了评估，结果显示PAMT能够显著改进MIL模型的性能。这项研究证实了PAMT在WSI分类中的潜力。

介绍了AnomalyCLIP方法，结合大语言和视觉模型与多实例学习，用于联合视频异常检测和分类。通过操纵CLIP特征空间识别正常事件子空间，并引入高效的Transformer架构建模帧之间的时序依赖关系。在三个主要的异常检测基准测试中，AnomalyCLIP优于基准线方法。

本研究提出了一种弱监督检测绘画作品中物体的方法，仅需要图像级别的注释。通过多实例学习方法，可以快速学习新的绘画类别，避免手动标记的繁琐任务。实验证明，放弃实例级别注释仅会造成轻微性能损失。同时，介绍了一个新的数据库 IconArt，其中的类别无法从照片中学习。这是关于自动化检测绘画作品中图标元素的第一批实验，对于帮助艺术史学家探索大型数字数据库非常有益。

多实例学习（MIL）是一种用于病理学图像分类的流行方法。研究者提出了PAMT，一种基于提示的自适应模型转换框架，通过适应组织病理学数据的特点来提高MIL分类性能。PAMT使用代表性补丁采样和典型视觉提示来重构输入数据，构建紧凑且信息丰富的表示。此外，引入了适应性模型转换来缩小域差异。在两个公开数据集上的评估显示，PAMT显著改进了各种MIL模型的性能。研究证实了PAMT在WSI分类中的潜力，并强调了有针对性的重新编程方法的价值。

本研究提出了一种使用多实例学习和域自适应方法的流程，以提高目标数据集的分类性能。通过高置信度的伪标签方法有效地结合两种方法的监督信息。实验证明该方法相对于现有方法显著提高了分类性能。