日前，学院机器学习实验室多示例学习课题组：杨梅副教授、张雨轩（研究生）、闵帆教授与王熙照教授（深圳大学）合著的论文“Multi-Instance Ensemble Learning With Discriminative Bags”在《IEEE Transactions on Systems Man Cybernetics: Systems（IEEE TSMC）》上发表。IEEE TSMC是中科院SCI一区、计算机科学顶级期刊，影响因子13.451，目前录取率仅为10%左右。

多示例学习是一种比传统监督学习更具挑战性的学习范式，其样本标签在包级别给出。流行的多示例特征映射方法将每个包转换为新特征空间的实例。然而，大多数方法无法保证包在新特征空间中的可区分性，且其模型不具备自增强能力。本论文提出了基于辨别包的多示例集成方法，其总体思想如下图所示。包选择技术(bag selection technique)分析数据集的空间及标签分布，设计辨别性指标来选择一组具有辨别性的包，并设计自增强方案，以提升辨别包的辨别能力；集成技术(ensemble thchnique)基于辨别包，训练多个分类器，并按其性能分配权重，用于提升模型的分类性能及稳定性。