逻辑函数的双曲正割表示：在 CT 颅内出血检测的概率多示例学习中的应用

多示例学习 (MIL) 是一种弱监督范式，已成功应用于许多不同的科学领域，并且特别适合医学成像。概率 MIL 方法，更具体地说是高斯过程 (GPs)，由于其高表达能力和不确定性量化能力，已取得了优异的结果。最成功的基于 GP 的 MIL 方法之一 VGPMIL 采用变分界来处理逻辑函数的难解性。在这里，我们使用 P'olya-Gamma 随机变量来表述 VGPMIL。该方法产生了与原始 VGPMIL 相同的变分后验近似，这是双曲正割分布所允许的两种表示的结果。这促使我们提出一种通用的基于 GP 的 MIL 方法，只需利用双曲正割分布以外的分布即可呈现不同形式。使用 Gamma 分布，我们得到了一种新方法，获得了具有竞争力或更优的预测性能与效率。这一点在包含一个合成 MIL 数据集、两个知名 MIL 基准测试和一个真实世界医学问题的综合实验研究中得到了验证。我们期望这项工作能提供超越 MIL 的有用思路，以促进该领域的进一步研究。