侯勇

摘 要 多实例学习作为一种典型的弱监督学习方法，在计算机视觉、生物识别、自然语言处理等许多应用中是有效的。本文提出了一种深度多实例学习算法，将神经网络与多实例算法集成。最后将所提出算法应用于学生学习结果预测，取得了良好的效果。

关键词 多实例学习;学习结果;预测;MIL 池

1深度多实例学习算法

在诸多机器学习问题中，如图像分类，并假设图像被清楚地表示类别（类）。但在许多实际应用中，会有多个实例，并且仅给出该类别的一般说明，这就是多实例学习（MIL）或基于弱注释数据的监督学习。计算病理学、乳房X光检查或CT肺筛查等医学成像中，通常单个标签（良性/恶性）或感兴趣的区域（ROI）描述图像，因此使用弱注释图像数据极为普遍。

MIL算法训练包实例，生成能够预测包类别标签的模型，实现包标签的预测。在医疗诊断中，广泛应用MIL算法，通过发现关键实例，决定包标签。在医学领域中，人们提出了各种不同的方法，实现包分类，如包相似性分类法，嵌入层低维表示分类法，集成实例级分类器响应法等[1]。

本文中，我们提出了一种深度多实例学习算法-DMIL。DMIL分为Fc1-512 + ReLU，Fc2-256 + ReLU，Fc3-128 + ReLU，Fc4-64 + ReLU，dropout （rate=0.38）（fc3），MIL-max pooling ，fc5-1 + sigm，一共6層，如表1所示。将该算法应用于学生学习结果的预测，取得了良好的效果。

所提出的DMIL 可表述为：

（1）

其中，在包Xi中，多个实例通过DMIL传递。DMIL由L层组成，每个图层都由非线性变换组成，其中索引图层。可以是内积（或完全连接）或修正的线性单位 （ReLU） [22]等操作的复合体。我们将实例的第层的输出表示为。……