複数インスタンス学習（MIL）は、バグ内に少なくとも1つのポジティブインスタンスがある場合にのみポジティブとラベル付けされるという厳格な論理制約を課します。近年の研究では、多くの深層学習ベースのMILアプローチがこの制約を破り、性能指標が誇張され、一般化が劣ることが明らかになりました。本研究では、ベクトルシンボリックアーキテクチャ（VSA）に基づく新しいMILフレームワークを提案します。この方法は、インスタンスと概念をほぼ直交する高次元ベクトルとして表現し、代数的操作を使用して分類時にifおよびonly ifの制約を強制することで、MILの仮定をモデル構造に直接エンコードします。また、VSA表現との間のギャップを埋めるために、入力インスタンスをVSA互換のベクトルに変換する学習エンコーダを設計しました。このアプローチは、標準MILベンチマークや医療画像データセットにおいて、既存の方法を上回り、MILの定式化に厳密に従う有効なMILモデルとして最先端の結果を達成しています。