Multiple Instance Learning

Học nhiều thể (Multiple Instance Learning - MIL) là một phương pháp machine learning, trong đó các mẫu huấn luyện được tổ chức thành các nhóm gọi là túi (bags), trong khi các phần tử bên trong mỗi túi được gọi là thể (instances). Mô hình nhận nhãn cho toàn bộ túi chứ không nhận nhãn cho từng thể riêng lẻ. Ví dụ, một tiêu bản bệnh lý có thể được gán nhãn “có ung thư” mà không cần xác định vùng ảnh nào chứa tế bào ung thư. MIL hữu ích khi việc chú thích chi tiết tốn kém, mơ hồ hoặc không khả thi.

Cách thức hoạt động của Học nhiều thể#

Trong supervised learning truyền thống, mọi mẫu huấn luyện đều có nhãn riêng của nó. MIL thay đổi đơn vị giám sát: nhãn thuộc về một tập hợp các mẫu có liên quan.

Một túi có thể là một video chứa nhiều khung hình, một tài liệu chứa nhiều đoạn văn, hoặc một ảnh lớn được chia thành các bản vá (patches). Mỗi khung hình, đoạn văn hoặc bản vá là một thể. Một mô hình MIL điển hình có ba thành phần:

1. Một bộ mã hóa thể (instance encoder) chuyển đổi từng thể thành một biểu diễn đặc trưng số học.
2. Một hàm gom cụm (aggregation function) kết hợp các biểu diễn thể thành một biểu diễn túi duy nhất.
3. Một bộ phân loại túi (bag classifier) dự đoán nhãn túi từ biểu diễn kết hợp đó.

Đối với bài toán phân loại nhị phân, giả định MIL truyền thống cho rằng một túi dương tính chứa ít nhất một thể dương tính, trong khi mọi thể trong túi âm tính đều là âm tính. Giả định này phù hợp với các tác vụ mà một vùng nhỏ có thể quyết định kết quả tổng thể. Các bài toán khác đòi hỏi các giả định tập thể, chẳng hạn như dự đoán nhãn dương tính chỉ khi một số thể thể hiện bằng chứng hỗ trợ.

Vì MIL học từ các nhãn túi, nó được coi là một dạng giám sát yếu (weak supervision). Khác với image classification thông thường, nó không giả định rằng toàn bộ bức ảnh hoặc mọi vùng đều thể hiện lớp được gán. Điều này giúp tránh việc sao chép nhãn túi một cách sai lầm lên tất cả các thể.

Gom cụm và tầm quan trọng của thể#

Quá trình gom cụm phải xử lý các kích thước túi khác nhau và thường phải độc lập với thứ tự của các thể. Các chiến lược phổ biến bao gồm:

• Max pooling: Sử dụng tín hiệu thể mạnh nhất. Nó khớp với giả định “ít nhất một thể dương tính” nhưng có thể nhạy cảm với các giá trị ngoại lai.
• Mean pooling: Lấy trung bình các bằng chứng trên toàn bộ túi. Phương pháp này hoạt động tốt hơn khi nhiều thể đóng góp nhưng có thể làm loãng các bằng chứng dương tính hiếm.
• Attention pooling: Học mức độ ảnh hưởng của từng thể đến kết quả. Trọng số thu được có thể chỉ ra các vùng quan trọng, mặc dù chúng không được đảm bảo là các giải thích hoàn chỉnh.

Đầu ra sau khi gom cụm được chuyển đổi thành điểm số túi, thường sử dụng hàm xác suất như Softmax. Quá trình huấn luyện so sánh điểm số này với nhãn túi và sử dụng backpropagation để cập nhật đồng thời bộ mã hóa và bộ gom cụm.

MIL chủ yếu tối ưu hóa các dự đoán ở cấp độ túi. Ngay cả khi mô hình gán tầm quan trọng cao cho các thể cụ thể, các điểm số đó không tự động trở thành nhãn thể đáng tin cậy hay định vị chính xác.

Các ứng dụng trong thực tế#

• Phân tích ảnh y tế: Một tiêu bản mô số hóa có thể chứa hàng nghìn bản vá, trong khi chẩn đoán có sẵn chỉ áp dụng cho bệnh nhân hoặc toàn bộ tiêu bản. MIL có thể xử lý các bản vá như các thể và dự đoán xem toàn bộ tiêu bản có chứa bằng chứng bệnh lý hay không. Điều này rất có giá trị đối với medical image analysis vì việc vẽ ranh giới chi tiết xung quanh mọi vùng bất thường đòi hỏi thời gian của chuyên gia. NCI Genomic Data Commons AI resources mô tả các hình ảnh toàn tiêu bản làm đầu vào cho việc phân loại ung thư, phát hiện đặc trưng và dự đoán kết quả. (gdc.cancer.gov)

• Kiểm tra trực quan công nghiệp: Một linh kiện sản xuất có thể được chụp ảnh từ nhiều góc độ hoặc ghi lại dưới dạng một chuỗi ngắn. Các thanh tra chất lượng có thể gán nhãn cho toàn bộ quá trình kiểm tra là “lỗi” mà không cần xác định chính xác góc nhìn chứa vết nứt hoặc chi tiết bị thiếu. MIL có thể coi các góc nhìn là một túi và học bằng chứng trực quan nào dự đoán sự cố. Nếu sau đó cần xác định vị trí lỗi chính xác, các thể được chọn có thể được chú thích cho object detection hoặc instance segmentation.

Các thiết lập học tập liên quan#

MIL khác với một số cách tiếp cận có liên quan chặt chẽ sau:

• Weak supervision là danh mục rộng hơn bao gồm các nhãn không đầy đủ, có nhiễu hoặc gián tiếp. MIL sử dụng cụ thể các nhãn gắn liền với các túi thể.
• Semi-supervised learning kết hợp các mẫu có nhãn và không có nhãn. Các túi MIL có nhãn, nhưng các thể riêng lẻ bên trong thường không có nhãn.
• Multi-label learning dự đoán nhiều lớp cho một mẫu. MIL mô tả cách các mẫu được nhóm lại, do đó một hệ thống có thể vừa là đa thể vừa là đa nhãn.
• Attention mechanisms xác định cách thông tin được gán trọng số hoặc kết hợp. Chúng có thể thực hiện việc gom cụm MIL nhưng bản thân không định nghĩa MIL.
• Object detection đòi hỏi các chú thích được định vị như hộp bao (bounding boxes). MIL đôi khi có thể làm nổi bật các vùng có khả năng cao, nhưng việc huấn luyện ở cấp độ túi đơn thuần không cung cấp vị trí đối tượng đã được xác thực.

Quy trình làm việc thực tế và Đánh giá#

Đoạn mã suy luận phác thảo sau đây sử dụng Ultralytics YOLO26 classification model để chấm điểm hai thể ảnh và áp dụng phương pháp gom cụm max. Nó minh họa khái niệm quyết định túi hơn là một mô hình MIL được huấn luyện chung.

from ultralytics import YOLO

# Treat related images as instances within one bag
sources = [
    "https://ultralytics.com/images/bus.jpg",
    "https://ultralytics.com/images/zidane.jpg",
]

model = YOLO("yolo26n-cls.pt")
results = model(sources)

# Aggregate evidence for one target class across the bag
target_name = "minibus"
target_id = next(i for i, name in results[0].names.items() if name == target_name)
instance_scores = [float(result.probs.data[target_id]) for result in results]
bag_score = max(instance_scores)

print(f"{target_name} bag probability: {bag_score:.3f}")

Một hệ thống MIL hoàn chỉnh sẽ huấn luyện bộ gom cụm nhận biết túi sử dụng nhãn túi. Ultralytics YOLO hỗ trợ các classification workflows tiêu chuẩn, trong khi logic MIL tùy chỉnh là cần thiết để nhóm các thể và tối ưu hóa hàm mất mát ở cấp độ túi.

Các kỹ sư nên duy trì ranh giới túi trong quá trình chia batch, kiểm tra nhiều quy tắc gom cụm và ngăn chặn các thể có liên quan vượt qua các tập dữ liệu phân tách. Các công cụ như GroupKFold cross-validation có thể giữ các bản vá từ cùng một bệnh nhân, video hoặc sản phẩm đi chung với nhau. Đánh giá precision and recall ở cấp độ túi, và bổ sung đánh giá ở cấp độ thể nếu việc định vị là quan trọng. Ultralytics Platform có thể hỗ trợ quản lý tập dữ liệu, chú thích, huấn luyện mô hình tiêu chuẩn và triển khai khi đường ống MIL được kết hợp với các thành phần phát hiện, phân đoạn hoặc phân loại.