多示例学习是一种新的学习框架,在机器学习领域引起了越来越多的关注。在多示例学习中,训练集由一组多示例包组成,而一个多示例包含有若干个示例。如果多示例包中至少存在一个正示例,那么该多示例包为正包,否则,该多示例包为负包。多示例学习面临以下两个方面的挑战:1)在标注多示例包的时候,不同的专家可能对同一个多示例包给出不同的分类标签。当一个多示例包对应多个不一致的、不统一的分类标签(称之为“弱标签”),而真实分类标签未知时,如何建立多示例学习分类器;2)当目标任务的多示例包的数量比较少时,如何利用相关的分类任务来提高目标任务的模型精度。对于多示例学习所面临的挑战,本文提出了一种基于弱标签的多示例迁移学习模型。一方面,针对多示例学习中的弱标签问题,我们赋予每一个弱标签一个权重,并使用带权重的弱标签来表示多示例包的标签,建立面向弱标签的多示例学习分类模型。另一方面,针对目标任务的多示例包的数量比较少的问题,我们把目标任务相关的任务(“源任务”)引入学习过程,在上述的弱标签分类模型基础上,融合目标任务和源任务的信息,建立基于弱标签的多示例迁移学习模型,实现源任务到目标任务的知识迁移。为了求解该模型,首先,通过随机或者相等地方式来初始化弱标签权重,利用带权重的弱标签之和来表示多示例包的标签。其次,在多示例包标签基础上,求解多示例迁移学习分类器。再次,根据分类器结果,更新弱标签的权重。最后,通过交互迭代的方式来更新分类器和弱标签的权重,直到算法收敛,得出最终分类模型。本文在五个真实数据集上进行实验,通过与现有的多示例学习方法进行比较,验证基于弱标签的多示例迁移学习方法的有效性。实验结果表明,本文所提出的方法的在分类精度和AUC(Area Under the Curve)这两个评估指标上,优于现有的多示例学习方法。