تُعد عمليات جاوسية (GPs) نماذج تنبؤية بايزية فعالة. نُظهر هنا لأول مرة أن تسميات الأمثلة في فئة نموذج جاوسية يمكن استنتاجها في بيئة التعلم متعدد الأمثلة (MIL) باستخدام طريقة بايز التقديرية (Variational Bayes). ونحقق ذلك من خلال بناء جديد لدالة احتمال الحقيبة (bag likelihood)، والذي يفترض قيمة كبيرة إذا كانت تنبؤات الأمثلة تحقق قيود MIL، وقيمة صغيرة في حال العكس. يسمح هذا البناء باشتقاق قواعد التحديث للبارامترات التقديرية بشكل تحليلي، مما يضمن تعلماً قابلاً للتوسع وانخراطاً سريعاً. ولاحظنا أن نموذجنا يحسن من الحالة الراهنة في توقع تسميات الأمثلة من مراقبة على مستوى الحقيبة في معيار 20 Newsgroups، وكذلك في تحديد موقع أورام السرطان في دراسة باريت من صور المصفوفات النسيجية الهرماثولوجية (histopathology tissue microarray images). علاوةً على ذلك، نقدّم نموذجاً جديداً للسياق (pipeline) للكشف عن الكائنات المراقبة بشكل ضعيف، يتكامل بشكل طبيعي مع نموذجنا، ويُحسّن من الحالة الراهنة على مجموعتي بيانات PASCAL VOC 2007 و2012. وأخيراً، يمكن تعزيز أداء نموذجنا بشكل إضافي باستخدام مراقبة مختلطة: وهي مزيج من التسميات الضعيفة (الحقيبة) والقوية (النموذجية).