摘要
高斯过程（Gaussian Processes, GPs）是一类高效的贝叶斯预测方法。本文首次展示了在多实例学习（Multiple Instance Learning, MIL）框架下，可通过变分贝叶斯方法推断高斯过程分类器的实例标签。我们提出了一种全新的“包似然”（bag likelihood）构造方式，该构造在实例预测满足MIL约束条件时取较大值，否则取较小值。这一设计使得我们能够解析地推导出变分参数的更新规则，从而保证了模型在学习过程中的可扩展性与快速收敛性。实验结果表明，该模型在20 Newsgroups基准任务中，基于包级监督进行实例标签预测的表现优于现有最先进方法；同时，在Barrett等人提出的基于组织病理学组织微阵列图像的癌症肿瘤定位任务中也取得了显著提升。此外，我们还提出了一种新颖的弱监督目标检测流水线，该流水线与本模型天然互补，在PASCAL VOC 2007和2012数据集上均实现了当前最优性能。最后，通过引入混合监督机制——即结合弱标签（包级标签）与强标签（实例级标签）——可进一步提升本模型的性能表现。