Un problema de aprendizaje de instancias múltiples consiste en categorizar objetos, cada uno representado como un conjunto (bolsa) de puntos. A diferencia del paradigma de clasificación supervisada, donde cada punto del conjunto de entrenamiento está etiquetado, las etiquetas solo están asociadas con las bolsas, mientras que las etiquetas de los puntos dentro de las bolsas son desconocidas. Nos enfocamos en el caso de clasificación binaria, donde el objetivo es discriminar entre bolsas positivas y negativas utilizando una superficie separadora. Adoptando un entorno de máquina de vectores de soporte en el nivel de entrenamiento, el problema de minimizar la función de error de clasificación se puede formular como un programa no convexo no suave sin restricciones. Proponemos una descomposición de convexos (DC) de la función no convexa, que enfrentamos utilizando un algoritmo DC no suave apropiado. Se informan algunos de los resultados numéricos en conjuntos de datos de referencia.