• 题目: Scalable Algorithms for Multi-Instance Learning (多示例学习的大规模算法)
• 级别：2017 年发表在SCI 一区期刊IEEE TRANSACTIONS ON
  NEURAL NETWORKS AND LEARNING SYSTEMS (TNNLS)。
• 代码：本文为之前反复阅读，代码也已复现。

主要思想：

主要解决当时的多示例算法无法处理大规模数据的问题。其所提出的两个算法(miFV和miVLAD)均采用较为特殊的映射方式，在保证速度的情况下也达到了较好的分类精度。

miFV:

基于所有实例的统计信息，将每个包映射为一个fisher向量，再使用单实例级别的分类器进行分类

miVLAD：

在实例空间聚类，然后基于聚类中心，利用差值计算和拼接的方法将每个包映射为向量。