RGMIL：使用回归器引导多实例学习模型

基于摘要分析。本文面向视频分析中关键模式稀少、帧级标注不足的问题，提出 Regressor-Guided MIL network（RGMIL），旨在利用有限标注获得具有判别力的实例级表征。主要贡献是聚合模块 Regressor-Guided Pooling（RGP）：作者认为，除建模实例间关系外，还应利用 regressor 提供的关键信息来刻画多实例学习（MIL）问题。 机制方面，作者称 RGP 不引入新参数，并以模拟人类处理类似问题的推理过程为设计动机；摘要还提到 RGP information table 可引导长序列中的实例级预测。但 regressor 的具体定义、信息表构造、聚合公式、损失函数及训练流程尚未验证，不能仅据名称推断其监督目标或网络结构。 结果方面，作者报告 RGP 在超过 20 个 MIL 基准数据集上表现占优，平均包级分类 Accuracy 接近 1；摘要未提供具体数据集清单、划分方式、逐项指标及对照结果，该汇总数字不应理解为实例级 Accuracy。作者还报告，在 MMNIST 的多种挑战条件下，RGP 优于现有聚合方法，并在复杂应用中取得与 SOTA 监督模型相当的实例级表现；对应任务、标注预算、评估协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现与复现条件尚未核对。 平台推测（待验证）：其可迁移假设是，将长段 EEG 作为包、时间窗作为实例，在仅有段级标签且少量局部事件决定标签的任务中，借用 regressor 引导的聚合机制改善局部表征。可复用对象主要是 RGP，输入表征和包标签语义则需适配；若标签反映持续状态而非稀疏事件，或低信噪比、跨被试差异使实例证据不稳定，该假设可能失败。一个可证伪的小实验是在固定 EEG 编码器、包构造及被试独立划分的条件下，对比 RGP 与常用 MIL 聚合器，并用保留的窗口级标注同时评估包级和实例级表现。已有 EEG 相关工作尚未检索确认。