Aprendizaje Multi-Instancia

El aprendizaje multi-instancia (Multiple-Instance Learning, MIL) es una forma de supervisión débil. En lugar de aprender de ejemplos etiquetados uno a uno, el modelo recibe grupos de ejemplos llamados bolsas (bags) y solo conoce la etiqueta de la bolsa entera, no la de cada instancia que contiene. Resuelve una pregunta muy concreta: cómo entrenar un clasificador cuando sabemos que «algo» en un conjunto de datos es relevante, pero no cuál de sus piezas.

Esa asimetría cambia el problema de raíz. En el aprendizaje supervisado clásico cada instancia lleva su etiqueta; en MIL la etiqueta vive un nivel por encima, y el modelo debe deducir qué instancias la justifican sin que nadie se lo diga.

El supuesto estándar

La formulación clásica descansa en una premisa sencilla, que James Foulds y Eibe Frank bautizaron como el «supuesto estándar» en su revisión de 2010: una bolsa es positiva si contiene al menos una instancia positiva y negativa solo si todas sus instancias son negativas. Basta una pieza culpable para condenar a toda la bolsa; se necesita que todas sean inocentes para absolverla. Ese sesgo asimétrico da a MIL su carácter y también su dificultad, porque la instancia responsable queda oculta entre muchas irrelevantes. Trabajos posteriores han propuesto variantes que relajan el supuesto —exigiendo una proporción o una combinación de instancias en vez de una sola—, útiles cuando la etiqueta depende del conjunto y no de un único elemento.

De dónde viene y para qué sirve

El término lo acuñaron Thomas Dietterich, Richard Lathrop y Tomás Lozano-Pérez en 1997, en un artículo de la revista Artificial Intelligence sobre predicción de actividad de fármacos. Su caso era molecular: una misma molécula adopta muchas formas tridimensionales, o conformaciones, y resulta activa si al menos una de ellas encaja en el receptor diana. El químico sabe si la molécula funciona, pero no qué conformación es la responsable. Modelaron cada molécula como una bolsa y cada conformación como una instancia, y lo resolvieron con rectángulos de ejes paralelos. La utilidad es directa: etiquetar bolsas sale mucho más barato que etiquetar cada instancia. Anotar «esta biopsia tiene cáncer» es trivial frente a marcar cada célula tumoral, y MIL exprime esa etiqueta gruesa para ahorrar el trabajo manual fino.

Usos actuales

Hoy el ejemplo más vivo es la patología computacional. Una imagen de portaobjetos completo (whole-slide image) tiene miles de millones de píxeles; se trocea en miles de parches, y ese conjunto es la bolsa. Del historial clínico solo se sabe si el paciente tiene cáncer o no —la etiqueta de la bolsa—, sin que nadie haya señalado los parches malignos. El sistema de Gabriel Campanella y colaboradores (Nature Medicine, 2019) entrenó así clasificadores de grado clínico con decenas de miles de imágenes, y propuestas como la MIL con atención de Maximilian Ilse y colegas (2018) o el método CLAM de Ming Lu y colaboradores (2021) añadieron mecanismos que además señalan qué parches pesaron en la decisión. Fuera de la medicina, MIL sirve para la detección de objetos con etiquetas débiles —se sabe que el objeto está en la imagen, no dónde— y para la clasificación de documentos, donde la etiqueta corresponde al texto completo y no a cada frase.