AI Papers Daily

#Multiple Instance Learning

2 篇

In-Context Multiple Instance Learning

上下文多示例学习

🧭 多示例学习 · 上下文预训练

Berlin Institute for the Foundations of Learning and Data · Technische Universität Berlin · Aignostics · Charité – Universitätsmedizin Berlin · Max-Planck Institute for Informatics

合成数据预训练Perceiver上下文学习器，单次前向传播实现少标签MIL分类，平均性能超越专训基线

📌 工作参考价值（4 点）

• 电商推荐中可将用户行为序列视为袋，利用少量已标记袋（如购买）进行多示例弱监督，识别关键行为物品
• 上下文学习范式可实现推理时仅提供少量示例即适应新推荐任务，免去逐任务微调，适合多场景快速上线
• 合成数据预训练策略可迁移至推荐冷启动：生成合成用户会话数据预训练排序模型，增强小样本下的归纳偏置
• Perceiver 架构可高效处理任意长度用户行为序列，无需截断或填充，适合推荐系统长序列建模

Training | 2026-06-04 | cs.LG | score 6/10

Multiple Instance LearningIn-Context LearningPerceiverSynthetic DataFew-Shot

When Evidence is Sparse: Weakly Supervised Early Failure Alerting in Dialogs and LLM-Agent Trajectories

证据稀疏场景下的弱监督早期故障告警

🧭 对话/Agent轨迹早期故障告警 ★ 深度解读

Intuit AI Research · Princeton University

利用MIL从轨迹级标签中学习稀疏故障证据，结合偏好条件触发策略实现推理时可控的准确-提前性权衡

📌 工作参考价值（4 点）

• 利用 MIL 从轨迹级标签中自动挖掘稀疏的故障证据轮次，无需人工标注 turn 级标签，直接改善前缀故障预测的准确性，适合客服对话和 Agent 执行监控。
• 融合“naive 前缀预测”与基于 MIL 的稀疏证据信号：前者反应快但噪声大，后者延迟但准确，简单 MLP 融合即可显著提升准确-提前性 Pareto 前沿，该模式可直接推广到需早期决策的序列监控场景。
• α-STOP 策略让单一模型通过改变标量 α 在推理时覆盖整个准确-提前性权衡曲线，无需为每个运营点重新训练；部署后可根据业务需要（如高精准告警 vs. 尽早干预）动态调节，大幅降低运维成本。
• 模块化设计（故障预测器 + 触发策略分离）优于端到端 RL，预测器提供可靠风险信号，触发策略专注决策偏好，且预测器升级不影响触发策略，工程上更灵活易维护。

Agent | 2026-06-03 | cs.HC | score 8/10

Early Failure AlertingWeak SupervisionMulti-turn DialogLLM AgentsMultiple Instance LearningPreference-Conditioned RL