本文介绍了基于标签比例（LLP）的学习方法，通过训练数据中的特征向量集合和平均实例标签来训练实例分类器。使用LTFs能够有效学习线性阈值函数，并通过次高斯浓度界限估计均值和协方差矩阵来近似法向量。通过提供新的泛化误差界限，识别具有较低误差的假设LTF。

本文提出了一个高效的算法，通过利用不完全的标签比例解决了整个切片图像中肿瘤亚型的分割问题。该算法将问题分解为两个弱监督学习子问题，并从标签比例中学习，有效地进行优化。实验证明了该算法的有效性。

本文介绍了一种基于标签比例的学习方法，通过访问具有一定标签比例的随机袋子来对线性阈值函数进行有效学习。算法使用次高斯浓度界限估计均值和协方差矩阵，并展示了如何应用于有效采样袋子以近似法向量。通过提供新的泛化误差界限，识别具有较低误差的假设LTF。