多实例学习（Multiple Instance Learning, MIL）是一种弱监督学习方法，主要特点是在训练过程中，标签是赋予 "样本包（bag）" 而不是单个实例（instance）。
基本概念：
-
实例（Instance）：单个数据点，如一张图像的一个小块。
-
包（Bag）：由多个实例组成的集合。
-
标签（Label）：只对整个包有标签，包内实例没有单独标签。
典型假设（Standard MIL Assumption）：
-
如果一个包中至少存在一个正实例，则该包为正；
-
如果包中所有实例都是负的，则该包为负。
应用场景：
-
病理图像分析：整张切片为正例时，仅意味着某个区域有病变，而非所有区域；
-
药物发现：某种化合物活性为正，并不意味着其所有构象都有效；
-
图像分类：仅提供图像级标签，但图像中可能只有局部区域与标签相关。
主要方法：
-
基于实例选择的方法（如MI-SVM）：尝试在包中找到关键的"正实例"。
-
嵌入方法（如Deep MIL）：将整个包映射为一个向量，再进行分类。
-
注意力机制方法：为每个实例分配权重，自适应学习关键区域。
小结：
多实例学习解决了标签粒度不匹配的问题，适用于实例级难以标注但包级标签易获得的场景。随着深度学习的发展，MIL也被广泛用于弱监督学习、目标定位和医学图像分析等领域。
一句话理解：
找到正实例（或估计其贡献）是为了更好地构造"包"的表示，最终对整个包进行分类（正或负）。
-
找到正实例 ≈ 找到对包分类结果影响最大的实例。
-
找到后，通过聚合这些实例的特征，形成包的表征。
-
然后再对包进行分类（正/负），与常规分类模型一样使用标准损失函数优化。
可类比理解为：
一张正例 Whole Slide Image 中，仅某些 patch 含癌变。通过 MIL，我们找到这些关键 patch，用它们构造整张图的表达向量，再判断这张图是否为阳性。