가우시안 프로세스(Gaussian Processes, GPs)는 효과적인 베이지안 예측기이다. 본 연구에서는 처음으로 변분 베이즈를 활용하여 다중 예시 학습(Multiple Instance Learning, MIL) 환경에서 GP 분류기의 개별 예시 레이블을 추론할 수 있음을 보여준다. 이는 MIL 제약 조건을 만족하는 개별 예시 예측이 발생할 경우 큰 값을 가지며, 그렇지 않을 경우 작은 값을 가지는 새로운 백(bag) 가능도(bag likelihood) 구조를 도입함으로써 가능해졌다. 이러한 구조를 통해 변분 파라미터에 대한 업데이트 규칙을 해석적으로 도출할 수 있으며, 이는 확장 가능한 학습과 빠른 수렴을 보장한다. 본 모델은 20 Newsgroups 벤치마크에서 백 수준의 감독 정보로부터 개별 예시 레이블을 예측하는 문제에서 기존 최고 성능을 개선함을 관측하였으며, 조직병리학적 조직 미세진단 이미지(whole slide images)를 기반으로 한 Barrett의 암 종양 위치 추정 문제에서도 동일한 개선 효과를 확인하였다. 더불어 본 모델과 자연스럽게 통합될 수 있는 새로운 약한 감독 기반 객체 탐지 파이프라인을 제안하였으며, 이는 PASCAL VOC 2007 및 2012 데이터셋에서 기존 최고 성능을 초월하는 결과를 도출하였다. 마지막으로, 약한(백 수준) 레이블과 강한(개별 예시 수준) 레이블의 조합인 혼합 감독(mixed supervision)을 활용함으로써 본 모델의 성능을 추가로 향상시킬 수 있음을 보였다.