此研究针对分类问题中存在的模糊不确定标签，提出了一种多类别集合值分类方法，在最小化分类的模糊性的前提下，保证用户定义的覆盖率和置信度，利用条件概率函数的级别集导出 oracle 分类器，并提出一种在现有单标记分类器基础上的估计器，可以在不同的实际应用需求下解决因优化而导致的输出空集问题。

Sep, 2016

本论文研究了多类分类中的集合预测问题，提出了一种基于表示复杂度的集合预测松弛方法， 结合概率分类器使用特定的组合优化算法求解推断问题，并提出了三种算法，实验证明递归树搜索方法在条件类分布具有分层分类因子分解时比其他两种算法更加高效。

Mar, 2022

本文介绍了一种基于黑盒预测器实现集值预测、控制用户指定水平下的未来测试点期望损失大小以及使用 holdout 集来校准优化预测集大小的方法，这种方法能够提供简单、分布自由和严密的误差控制，适用于多个任务，如分类问题、多标记分类、分类问题中带有层次结构的标签、图像分割和蛋白质结构预测，还有拓展探讨。

Jan, 2021

本文总结了针对集合特征向量数据集的基于监督学习的多种拓展方法，并提出了一种分类法以展示它们之间的关系，并讨论了未来的研究方向。

Jun, 2014

本文研究一种在线多类分类变体，在这种模型中，学习器预测一个单一标签，但接收一个标签的集合作为反馈，我们证明在这种情况下，确定性和随机化的在线可学习性不等价，并且给出两个新的组合维度，称为集合维度和度量破灭维度，分别紧密描述了实现情况下的确定性和随机化的在线可学习性，此外，我们还展示了度量破碎维度紧密描述了模糊情况下的在线可学习性，最后，我们展示了在线多标签排名和在线多标签分类是我们提出的在线学习框架的具体实例。

Jun, 2023

本文介绍一种基于分位数回归和树状结构分类器的符合性预测方法，可以有效解决多分类和多标签问题中难易样本分布不均匀、信心区间过大等挑战，且可以和任何分类模型结合使用并保证有效性。

Apr, 2020

本文提出了一个框架，用于推导具有广泛特征映射和损失函数的向量值学习的风险界限。我们采用多任务学习和一对多多类别学习作为例子，并详细讨论了具有一层隐藏层的向量值函数，并证明了共享表示何时有利于多任务学习同样适用于多类别学习。

Jun, 2016

提出一种针对无序集合的预测模型，解决了现有方法忽视集合结构和存在的不连续性问题，通过单个特征向量可实现点集的自编码、图像中物体边框的预测以及物体属性集合的预测。

Jun, 2019

本文提出了一种新的机器学习框架 —— 顺序集合生成 (SSG)，可以处理标签和序列输出集。通过采用适当正则化和循环生成新标签或序列以生成完整集合，SSG 在性质上顺序不敏感且适用于各种集合输出问题，如分类标签或序列。实验结果表明，SSG 对于基准方法具有良好的性能。

Mar, 2019

本文提出了一种在多类分类问题中，通过最小化经验凸风险函数定义的评分函数提供输出类标签集合而不是单一标签的方法，该方法利用凸聚合与 V 折交叉验证原则，具有预期大小的控制和分类风险的最小化性质。

Aug, 2016