在機器學習中，多實例學習（MIL）是監督學習的一種類型。學習者不是收到一組單獨標記的實例，而是收到一組標記的包，每個包都包含許多實例。在多實例二元分類的簡單案例中，如果一個包中的所有實例都是負面的，那么這個包就可能被標記為負面。另一方面，如果一個包中至少有一個實例是正面的，那么這個包就被標記為正面。從已標記的包的集合中，學習者試圖(i)誘導一個概念，以正確標記單個實例，或者(ii)學習如何在不誘導概念的情況下標記包。Babenko（2008）給出了一個簡單的MIL例子。想象一下，有幾個人，他們每個人都有一個鑰匙鏈，里面有幾把鑰匙。其中一些人能夠進入某個房間，而一些人則不能。那么任務就是預測某把鑰匙或某條鑰匙鏈是否能讓你進入那個房間。為了解決這個問題，我們需要找到所有"正面"鑰匙鏈所共有的確切鑰匙。如果我們能正確識別這把鑰匙，我們也能正確地對整個鑰匙鏈進行分類--如果它包含所需的鑰匙，則為正，如果不包含，則為負。

根據訓練數據的類型和變化，機器學習可以大致分為三個框架：監督學習、無監督學習和強化學習。多實例學習（MIL）屬于監督學習框架，每個訓練實例都有一個標簽，要么是離散的，要么是實值的。多實例學習處理的是訓練集中標簽的不完全知識問題。更確切地說，在多實例學習中，訓練集由標記的"袋"組成，每個袋都是未標記實例的集合。如果一個袋中至少有一個實例是正面的，那么這個袋就是正面的標簽，如果其中所有的實例都是負面的，那么這個袋就是負面的標簽。MIL的目標是預測新的、未見過的包的標簽。歷史上，Keeler等人在20世紀90年代初的工作中是xxx個探索MIL領域的人。實際的術語多實例學習是在20世紀90年代中期由Dietterich等人提出的，當時他們正在研究藥物活動預測的問題。他們試圖創建一個學習系統，通過分析已知分子的集合，預測新分子是否有資格制造某種藥物。分子可以有許多可供選擇的低能狀態，但只有一個或其中一些有資格制造藥物。問題的出現是因為科學家們只能確定分子是否合格，但他們無法準確地說出其低能量形狀中的哪一種是負責的。解決這個問題的擬議方法之一是使用監督學習，并將合格分子的所有低能量形狀視為積極的訓練實例，而將不合格分子的所有低能量形狀視為消極實例。Dietterich等人的研究表明，這種方法會有很高的假陽性噪聲，因為所有的低能量形狀都被誤標為陽性，因此并不真正有用。

他們的方法是把每個分子看作是一個有標簽的包，而該分子的所有替代性低能量形狀是包中的實例，沒有單獨的標簽。因此形成了多實例學習。Dietterich等人提出的多實例學習問題的解決方案是軸-平行矩形（APR）算法。它試圖搜索由特征的結合所構建的適當的軸平行矩形。他們在Musk數據集上測試了該算法，該數據集是藥物活性預測的具體測試數據，也是多實例學習中最常用的基準。APR算法取得了xxx的結果，但APR是在考慮了Musk數據后設計的。多實例學習的問題并不是藥物發現所獨有的。1998年，Maron和Ratan發現了多實例學習在機器視覺中場景分類的另一個應用，并設計了DiverseDensity框架。給定一個圖像，一個實例被認為是一個或多個固定大小的子圖像，而實例包被認為是整個圖像。如果圖像包含目標場景--例如瀑布--則被標記為正面，反之則為負面。多實例學習可以用來學習描述目標場景的子圖像的屬性。

給定一個圖像，我們想根據它的視覺內容知道它的目標類別。