BridgeMIL to dwuetapowa metoda do diagnostyki chorób na podstawie elektroencefalografii (EEG), która zmienia sposób, w jaki modele uczą się analizować nagrania mózgu. Dotychczasowe podejścia fragmentują długie nagrania EEG pacjentów na wiele krótszych instancji, przypisują każdemu fragmentowi etykietę choroby całego pacjenta, i trenują modele na tych fragmentach. Problem polega na tym, że założenie to jest błędne - nie wszystkie fragmenty zawierają równie wiarygodne informacje diagnostyczne, a uczenie na wszystkich fragmentach z tą samą etykietą wprowadza szum.
Nowe podejście oparte na multiple instance learning (MIL) rozwiązuje ten problem, traktując każdego pacjenta jako "torbę" fragmentów o nieznanej etykietę poszczególnych instancji. Jednak tradycyjne end-to-end systemy MIL mają słabość - EEG datasets zawierają znacznie więcej pojedynczych fragmentów niż pacjentów, co utrudnia naukę dobrych reprezentacji. BridgeMIL rozwiązuje to poprzez rozdzielenie procesu uczenia na dwa etapy. W pierwszym etapie model pretreniuje encoder bez przyjmowania etykiet dla poszczególnych fragmentów, zamiast tego wyrównując czasowo bliskie okna i losowo pobierane podgrupy fragmentów z tego samego pacjenta. Regularyzacja wariancji i kowariancji uniemożliwia zapaść reprezentacji i zmniejsza redundancję bez użyteczki negatywnych par. W drugim etapie encoder przenoszony jest do attention-based agregatora MIL, nadzór stosowany jest tylko na poziomie predykcji pacjentów, a feature retention zapobiega dryftowi reprezentacji.
Wyniki na trzech zbiorach danych EEG i pięciu różnych architekturach pokazują dominującą przewagę BridgeMIL - osiąga największą dokładność w 14 z 15 kombinacji dataset-architektura, z ogólną średnią dokładnością 76,57 procent, czyli 4,28 punktu procentowego wyżej niż najlepszy wcześniejszy system. Analiza ujawnia także znaczące różnice w wiarygodności etykiet odziedziczonych przez różne fragmenty, co potwierdza, że dotychczasowe podejścia rzeczywiście uczą się na zbyt złośliwych danych treningowych.