Multiple Instance Learning

L'apprentissage par instanciation multiple (MIL) est un algorithme d'apprentissage faiblement supervisé où les données d'entraînement sont organisées en sacs, chacun contenant un ensemble d'instances \( X = \{x_1, x_2, \ldots, x_M\} \), et chaque sac possède une seule étiquette \( Y \in \{0, 1\} \). L'algorithme suppose que chaque instance dans un sac a sa propre étiquette \( y_1, y_2, \ldots, y_M \), mais ces étiquettes sont inconnues pendant le processus d'entraînement. L'hypothèse standard de l'apprentissage par instanciation multiple stipule que si toutes les instances dans un sac sont négatives, alors le sac est négatif ; si au moins une instance dans le sac est positive, alors le sac est positif. Cet algorithme présente des avantages significatifs pour la gestion de structures de données complexes, notamment dans des domaines tels que la classification d'images médicales.