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

本文提出了一种新的深度学习架构，用于多标签零样本学习，在这种学习中，可以为每个输入实例预测多个看不见的标签。研究人员提出了一个框架，结合了知识图谱和语义标签空间信息传播机制进行视觉推理，以解决多标签分类和ML-ZSL任务。与现有技术相比，该方法的性能相当或有所提高。

Nov, 2017

本文研究了多标签学习中的标签缺失问题，针对这个问题提出了基于依赖图的两个凸传导公式来处理图像注释和基于标签的图像检索两种应用场景，并在多个基准数据集上进行了实验证明了本文所提方法在性能和缺失标签的鲁棒性方面显著优于现有方法。

Mar, 2018

提出了一种基于图卷积网络的多标签分类模型，通过建立对象标签之间的图，学习一个对相互依赖的物体分类器的表示，同时使用重新加权的方法来创建有效的标签相关矩阵以指导 GCN 中节点之间的信息传播，在两个多标签图像识别数据集上实验证明了方法的有效性，并且可视化分析表明该模型学习到的分类器保持有意义的语义拓扑结构。

Apr, 2019

提出了一种Semantic-Specific Graph Representation Learning (SSGRL)的框架，包含两个重要模块：语义解耦模块和语义交互模块，其中语义解耦模块结合类别语义以指导学习语义特定表示，语义交互模块则将这些表示与基于统计标签共现构建的图相互关联，可以通过图传播机制来探索它们的相互作用，通过大量的公共基准测试，证明SSGRL框架优于现有的最新方法。

Aug, 2019

本研究提出一种基于标签图叠加框架的多标签识别解决方案，以图卷积网络（GCN）为基础，通过超impose技术建立标签相互作用图，并将其与GCN及CNN的信息交流，以提高特征学习和数据表示。实验表明，该方法大大提高了多标签识别的性能且达到了新的最佳表现。

Nov, 2019

提出了一种结构化的语义转移（SST）框架，用于训练多标签识别模型，其特点是仅知道某些标签而丢失了其他标签。该框架包括两个互补的转移模块，探索图像内部和跨图像的语义相关性，以生成未知标签的伪标签，并使用已知和生成的标签来训练多标签识别模型。实验表明，该框架在多个数据集上实现了优越的性能。

Dec, 2021

该论文介绍了一种新的方法，可以在多标签节点分类任务中使用图神经网络，并发布了三个真实世界的生物学数据集，用于该任务的基准测试。作者还定义了多标签场景下的同质性概念，并开发了一种新的方法来动态融合特征和标签相关信息，从而学习标签感知的表示。经过大规模对比研究，该方法在九个数据集上表现良好，并证明了其有效性。

Apr, 2023

本文提出了一种基于Semantic-aware Graph Matching的多标签图像识别框架（ML-SGM），通过建模内容感知（instance）和语义感知（label）之间的关系，显式建立分类之间的相关性和实例-标签对应关系，以促进多标签图像理解，并减少对每个类别的大量训练样本的依赖。备考外流考试，了解更多。

Apr, 2023

我们提出了第一个完全基于图卷积的模型，Group K-nearest neighbor based Graph convolutional Network (GKGNet)，该模型能够在图结构中灵活统一地建模语义标签嵌入和图像补丁之间的连接，通过动态图构建和信息传递实现了在多标签数据集上的最先进性能，同时显著降低计算成本。

Aug, 2023