本文提出了一种基于文本丰富网络的最小监督文本分类框架，通过联合训练两个模块，分别为文本分析模块和网络学习模块，从而生成伪标签来提高彼此性能，并在两个真实数据集上测试，结果表明该框架在仅提供三个种子文档时能够取得约 92% 的准确率，并且优于所有比较方法；其准确率仅比在 50K 个标记文档上训练的监督 BERT 模型低不到 2%。

Feb, 2021

通过无监督的三元组损失学习方法，得到音频谱图的低维嵌入，用于检索和分类声音事件，在有限监督下实现了两倍于最先进方法的分类准确率。

Nov, 2017

本文提出了一种基于远程监督的半结构化网站自动提取方法，通过自动的结构对齐和标签生成获取足够完整的训练标记，再通过分类器预测新关系实例，实现了对知识库自动抽取的作用，取得了很好的实验效果。

Apr, 2018

本研究介绍了 HiMeCat，一种基于嵌入式生成框架的弱监督文档分类方法，它能够有效地整合文本、元数据和标签层次结构，并通过数据增强和联合表示学习模块进一步优化分类效果。

Oct, 2020

本文介绍了一种利用 Wikipedia 分类图解决大规模细粒度文本分类的方法 ——wiki2cat，它可以在无需人工标注的情况下学习和归类广告内容，相对于已有的基于学习和基于关键词的基线模型，该方法具有竞争性的表现。

Feb, 2021

该研究提出一种基于层次多标签随机森林模型的方法，能够将视觉数据的概念结构与标签信息进行相关联，并能够准确地解释视觉语义，例如揭示具有类似高级概念的有意义的视觉组，并为单个视觉数据样本恢复缺失标签。此方法能够在高度稀疏和不完整的标签情况下，发现更准确的文本标签和视觉特征之间的语义相关性，并在基准视频和图像数据集上展示了其应用于视觉数据聚类和缺失标记完成两个基本应用的优点。

May, 2017

本文提出了一种利用变分自编码器（VAE）和类别级别监督来处理网络数据的方法，并在三个基准数据集上进行了实验证明其有效性。

Mar, 2018

本研究提出了一种基于大型知识库集成结构化知识和分类法层次结构将实体和类别嵌入到语义空间的框架，使框架能够计算实体和类别之间有意义的语义相关性，以处理单词概念和多词概念，在概念分类上表现出卓越性能，并在无数据层次分类方面取得了最新的成果。

Jul, 2016

本研究提出了一种基于图表示的网络数据表和列表的有效分类方法，通过预训练技术和推理技术来进行问答任务，显著提高了目前最先进技术的 F1 分数。

Oct, 2020

该研究通过大规模数据集研究了自然语言推理，并揭示了某些语言现象与推理类别高度相关的结论，进一步表明自然语言推理模型的成功被高估了，这个任务仍是一个难题。

Mar, 2018