我们通过稀疏性和正交性研究了一种多实例（MI）学习降维算法，该算法特别适用于高维MI数据集。我们开发了一种新的算法来处理现有方法不能很好地同时处理的稀疏性和正交性约束。我们的主要思想是制定一个优化问题，其中稀疏项出现在目标函数中，正交项作为约束形成。由此产生的优化问题可以通过使用近似增广拉格朗日迭代作为外环，使用惯性近似交替线性化最小化（iPALM）迭代作为内环来解决。该方法的主要优点是该算法既能满足稀疏性又能满足正交性。我们证明了所提迭代算法的全局收敛性。我们还证明了该算法可以实现高稀疏性和正交性要求，这对降维非常重要。在合成数据集和实际数据集上的实验结果表明，该算法可以获得与其他测试MI学习算法相当的学习性能。
