在多标签分类的人口效用框架下，我们考虑复杂性能度量的优化问题。我们主要关注一种指标，它线性可分解为对每个标签分别应用的二分类效用的总和，并对每个实例预测出恰好 k 个标签。这些 “宏 - at-$k$” 指标在具有长尾标签的极端分类问题中具有理想的性质。遗憾的是，at-$k$ 约束将原本相互独立的二分类任务耦合起来，导致优化问题比标准的宏平均更具挑战性。我们提供了一个统计框架来研究这个问题，证明了最优分类器的存在和形式，并基于 Frank-Wolfe 方法提出了一个统计一致且实用的学习算法。有趣的是，我们的主要结果还涉及非线性函数的更一般度量，这些函数是标签混淆矩阵的函数。实证结果证明了所提方法的竞争性能。

Jan, 2024

本文提出了一个统一的边界视角来重新审视多标记分类中的十一种性能度量。通过最大化标签和实例间的边界，不同对应的性能度量将被优化，从而设计一种称为 LIMO 的最大边缘方法。

Sep, 2016

我们提出了一种基于一致勒贝格测度的多标签学习器（CLML），证明了在贝叶斯风险框架下，CLML 可以实现理论上的一致性。实证证据支持了我们的理论，证明了：（1）CLML 可以始终获得最先进的结果；（2）勒贝格测度的设计是主要的性能因素，因为 CLML 优化了一个简单的前馈模型，而没有额外的标签图、扰动条件或语义嵌入；（3）结果的分析不仅可以区分 CLML 的有效性，还可以凸显代理损失函数和期望损失函数之间的不一致性。

Feb, 2024

从含有噪声标签的数据中学习良好分类器一直备受关注，我们的研究旨在设计算法，以应对多类非可分解性能度量的噪声标签，并通过实验证实了算法在处理标签噪声方面的有效性。

Feb, 2024

本研究提出了一种基于多答案提问任务的极端多标签分类方法和辅助分类评估指标，并将其应用于法律领域，结果表明该方法在 EURLEX 数据集上能够完成极端多标签分类。

Mar, 2023

本文研究多标记问题的通用经验风险最小化框架，提出了一种简单的框架，能高效地解决数据中存在缺失标记和标记量极大的问题。通过特定损失函数的结构，基于该框架设计了有效算法，进一步证明了该框架在存在缺失标记时的形式化过度风险边界。此外，对于低秩促进的迹 - 范数正则化，我们的风险界更紧，表现出更好的泛化性能。最后，在各种基准数据集上进行实验，证明了本方法的优越性以及其可扩展性。

Jul, 2013

本文介绍了数据库中知识发现的重要性，包括分类模型学习需要满足的单调性限制，并提出了一种基于所生成模型类型的算法分类法，并综述了不同数据集和单调问题的质量评估度量。

Nov, 2018

本文探讨了在存在对抗扰动的情况下的极端分类中的学习任务，并提出了一种鲁棒优化框架和相应的正则化目标，发现 Hamming 损失可作为尾标签检测的有效方法。通过结合正则化目标和基于 Proximal 梯度的优化方法，相对于 PFastreXML 和 SLEEC 等现有方法在 precision@k 和 nDCG@k 上提供了优异的性能。同时，我们还研究了标签图的谱特性，提供了新的洞察力以了解 Hamming 损失的一对多方法和标签嵌入方法之间性能的条件限制。

Mar, 2018

通过针对存在规则本体的静态分析，研究了两种规则依赖性 - 正依赖性和约束性 - 并设计和实现了优化算法以实现其有效计算，从而分析了基于规则的自下而上的推理方法在现实本体上的可行性和实用性。实验证明了该方法的可扩展性，特别是在分析规则依赖性时，能产生不冗余的 “瘦” 知识图。

Jul, 2022

本文介绍了一种名为 IMLI 的基于最大可满足性的可解释学习框架，通过结合小批量学习和迭代规则学习的方法，实现了分类规则的合成。实验结果表明，IMLI 在预测准确性、可解释性和可伸缩性之间取得了最好的平衡，并用于学习流行的可解释分类器，如决策列表和决策集。

May, 2022