普通标签学习与补充标签学习的桥梁
本文提出了一种基于互补标签学习的框架，通过无偏估计分类风险来进行模型选择，且适用于线性 / 非线性模型或凸 / 非凸损失函数，实验表明该方法优于现有方法。
Oct, 2018
本文提出了一种名为补充标签学习的弱监督学习框架，能从任意数量的补充标签和无标签样本中进行无偏估计的分类风险，并能使用任意损失函数和模型进行训练，同时通过实验验证了该方法的有效性。
Jan, 2020
本文提出了一种新颖的互补标签学习方法，不依赖于均匀分布假设或普通标签训练集，将互补标签学习表达为一组负无标签二元分类问题，并采用风险一致性方法和风险修正方法解决过拟合问题，实验证明我们的方法优于现有方法。
Nov, 2023
本文提出了一个框架，它使用没有偏见的转移概率估计，提供了一个通用的方法来修改传统的损失函数，并扩展标准的深度神经网络分类器，从而使其能够学习偏差的互补标签，并且确保了使用互补标签学习分类器收敛于使用真实标签学习的最优分类器。综合实验表明，本文方法优于当前最先进的方法。
Nov, 2017
本文提出了一种生成 - 判别式互补学习方法，称为互补条件 GAN（CCGAN），通过建模条件（判别）和实例（生成）分布来提高预测普通标签的准确性和生成高质量实例的能力，同时拥有弱监督下检索真实条件分布的能力，可有效解决缺乏高质量标注数据的问题。
Apr, 2019
本文提出了一种从互补标签得到正确的概率估计，实现孪生标签学习的方法，并利用该方法证明了概率估计的正确性，解决了一些当前方法的限制，同时还提出了一种新的验证模型的方式。
Sep, 2022
本文提出了一种基于对抗性学习与动态图的补充分类器方法，用于消除部分标签学习中假阳性标签的影响，并充分调查了补充标签集的有效性。实验表明，该方法在 4 个受控 UCI 数据集和 6 个真实世界数据集上具有优越性，并揭示了补充学习在部分标签学习中的实用性。
May, 2023
本文提出一种新的问题设置方法，允许每个例子有多个补充标签（MCLs）并探讨两种学习 MCLs 的方法：对 MCLs 进行分解以便使用任何带有 CLs 的学习方法，或者使用一个无偏风险估计值并将每组 MCLs 一起处理.
Dec, 2019
通过分析互补标签对普通分类器训练的影响，本文提出了一种新颖的技术 —— 互补标签增强，能有效地提高互补标签的共享效率并改善现有互补标签学习模型在实验上的表现。
May, 2023