本文提出了一种新的多标签方法 GLOCAL，通过学习潜在标签表示和优化标签流形，同时处理全标签和缺失标签情况，从而利用全局和局部标签相关性，且实验证明了该方法的有效性。
Apr, 2017
本文研究了利用结构化语义相关性来解决多标签学习中的缺失标签问题，通过构建语义图，将语义相关性加入多标签学习公式中，提出的方法在四个基准数据集上优于现有的多标签学习方法。
Aug, 2016
通过引入多任务学习和标签相关性反馈机制来增强标签相关性学习，其中采用文档 - 标签交叉注意力机制来生成一个更具有区分度的文档表示，以及两个辅助标签共现预测任务来增强标签相关性学习，实验结果表明，我们的方法在 AAPD 和 RCV1-V2 数据集上优于竞争性基线方法。
Jun, 2021
提出了一种基于自适应协同相关学习的半监督多标签特征选择方法（Access-MFS），用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题，并通过引入广义回归模型和扩展的不相关约束，在标记数据中选择具有区分性但无关的特征，并同时保持预测和实际标签之间的一致性，从而适应性地学习样本相似性图和标签相似性图，以提高特征选择性能。大量实验结果表明，所提出的 Access-MFS 方法优于其他最先进方法。
Jun, 2024
本文提出了基于蒸馏的方法，并采用信任加权方案，使用伪标签的无标签辅助数据促进合作学习，以达成对辅助数据的标签共识。我们证明了该方案相对于本地训练能显著提高模型性能，同时也可以识别和缓解对于众多模型的负面影响。在个体数据训练以及模型架构存在异质性的情况下，该方法表现得尤为有效。
May, 2023
论文研究了多标签情感识别模型中的标签相关性，并提出了两种建模方法和通过情感表示的成对约束作为正则化项，证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。
Oct, 2022
引入辅助的多标签学习过程，恰当地利用辅助多标签学习中的低秩标签相关性，提升了标签分布学习方法的性能。
Aug, 2023
该文章研究了如何通过邻居的注释来提高判别模型的性能，并应用于图像和语言领域的多个问题中，通过实验结果显示了该方法可以提高输出多样性和模型准确性。
Jun, 2018
研究了在联邦学习设置下的多标签分类问题，通过探索标签相关性的联邦平均方法提出了一种新的通用方法 FedALC，可以显著优于现有方法。
Apr, 2024
本研究提出了一种基于异构标签图的模型（HLG），以捕捉标签之间的依赖关系和关联关系，并利用这些关系来提高多重意图检测和位置填充任务的性能。我们还提出了标签感知的相互依赖解码机制，以进一步利用标签之间的关联关系来解码。实验结果表明，我们的 ReLa-Net 模型在 MixATIS 数据集上的整体准确性比以前的最佳模型高出 20％以上。