面向实例分类问题的多实例主动学习包级聚合

基于摘要分析。本文研究多实例学习（MIL）中的实例分类：数据以带弱标签的包（bag）组织，训练时允许向领域专家发起有限的标签查询。核心贡献是提出两种包级信息量聚合方法，使主动学习（AL）的查询决策利用包结构，而非直接沿用单实例查询策略；原始应用背景包括视频监控和医学图像分析，并非 EEG 或 BCI。 第一种方法 aggregated informativeness 根据分类器不确定性评估实例信息量，再通过包级聚合选择包含较多信息的包进行查询。第二种方法 cluster-based aggregative sampling 在实例空间进行层次聚类，结合包标签、推断的实例标签，以及簇内仍待发现标签的比例评估信息量。摘要未说明具体聚合公式、查询后专家返回的标签粒度或分类器实现，这些细节尚未验证。 作者报告，在多个应用领域的基准数据实验中，两种方法均显著优于参考方法；相较单实例 AL 方法，采用适当的多实例主动学习策略可减少达到相同性能所需的查询次数。摘要未提供数据集名称、划分、指标、查询预算、具体降幅及显著性检验细节，实验协议、消融及统计信息尚未验证；尤其需要核对不同查询方式的专家标注成本是否可比。 平台推测（待验证）：若 EEG 数据具备真实的试次或记录级弱标签、且目标是识别包内片段，该机制可能用于筛选值得专家复核的片段集合。可复用信息量聚合与层次聚类思路，但需改造 EEG 表征、不确定性校准及包标签与片段标签的关系；低信噪比、跨被试差异和包内片段相关性可能使聚类与信息量估计失真。一个可检验的小实验是在固定被试划分与专家标注时间预算下，对比包级聚合、单实例不确定性采样和随机采样的片段分类性能—成本曲线。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。