论文阅读（二）：Multipleinstanceclassification:Review,taxonomyandcomparativestudy（2013-SimpleMI）

引入

  论文地址：我在这儿
  要点：
  1）提出一种以分类为基础的分析方法；
  2）提出了14中方法，把他们分为三个不同的类，通过一组不同的数据来分析这些方法的表现，为了强调方法的特征，在合成场景中学习他们的表现；
  3）进行对结果的分析得出结论，在全局选取包水平的信息能够展现出更好的性能；
  4）从这个意义上说，分析的目的是为了证明某些类型的方法比其他方法更容易被接受，并且允许为设计新的方法建立指导方针。

Introduction

  非核心部分，不做解读（其实很重要，但懒的读）。这里给出一个概率 Multiple Instance Classification (MIC)

Examplesofmultiple-instanceclassificationproblems

  这部分大致提出了现在的多示例学习能够运用于那些问题上面，并举出了例子，有兴趣的可以深入了解一下。

Basic concepts and overview of paradigms（基本概念和范式概述）

   一个包 X = { x 1 , . . . x N } X=\{x_1,...x_N\} X={x1​,...xN​} ，$x_i$ 是一个单独的实例，他是一个 $d$ 维的向量。 MIC的问题是学习一个模型，然后能够预测出一些未知标签包的标签，对其进行分类，在本文中是一个二分类问题，$X$ 是正包或者负包。我们将数据集分为 $M$ 个训练包和 $N$ 个测试包，。。。。。。。。。

总结

直接来总结，其实这篇论文是一篇综述性的论文，读起来还是很吃力的，但是其SimpleMI的思想还是很简单的，就是把每个包中的示例求平均，用最后的平均值来代表这个包，将多示例转化维单示例学习。