本文介绍了一种新颖的任务，即 Partial labeling and Long-Tailed Multi-Label Classification（PLT-MLC），并提出了一种端到端的学习框架 CO-MIC-Balance（Correction，Modification，Balance），用于同时解决长尾分布和部分标签的多标签分类问题，该框架通过比较预测置信度和类特定阈值来修正丢失的标签，使用多聚焦的修饰符损失来同时解决头部尾部不平衡和正负不平衡，并使用平衡分类器来保持所有样本的稳定性。实验结果表明，该方法在新创建的 PLT-MLC 数据集上具有更高的有效性和鲁棒性。

Apr, 2023

本研究提出了一个新的部分标签学习的设置，其中只标注了训练图像的子集，每个图像只有一个正标签，其余训练图像保持未标注状态。通过使用端到端的深度神经网络 PLMCL，可以同时学习产生对部分标注和未标注的训练图像都具有信心的伪标签。通过考虑伪标签更新的速度，使用新的基于动量的法则来更新软伪标签，以帮助防止在早期训练阶段陷入低信心的局部最小值。此外，还提供了适应不同标签的逐渐递增学习的自适应 “自信度调度器”。实验结果表明，我们的 PLMCL 方法在三个不同数据集上的多标签分类中，表现比许多现有的基于多标签分类方法更好。

Aug, 2022

这篇论文介绍了一种新颖的概率方法，名为 Partial Multi-label Learning（部分多标签学习），在这种方法中，每个训练实例对应一组候选标签，其中只有一部分是正确的；与现有方法相比，它不需要次优的消岐，因此可以应用于任何深度架构；在人工和真实数据集上进行的实验证明，Partial Multi-label Learning 在候选集中噪声高的情况下表现出色，优于现有方法。

Mar, 2024

该论文提出一种新的逐步边缘损失（PML）方法用于非限制性面部年龄分类，并成功地运用于三个面部老化数据集中，其表现和现有技术相比具有显著的优势。

Mar, 2021

本文提出了一种新的方法，利用显著性遮罩和对比学习来减轻训练不平衡数据的问题并提高模型的泛化能力，在特征空间中将遮罩图像移向次要类别，以减少与原始类别相关的背景特征。实验证明，我们的方法在基准长尾数据集上获得了最先进的性能水平。

Jun, 2024

本文提出了一种名为正例与未标注多标签分类（PU-MLC）的新方法，通过在训练时直接丢弃训练集中的负标签来减少嘈杂的标签所带来的不良影响，并通过引入自适应重平衡因子和自适应温度系数来缓解标签分布中的灾难性不平衡和概率平滑问题。大量的实验证明了 PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显着的改进。

Jun, 2023

本文提出利用图形解析和深度模型相结合的方法 ——PLAIN 应对 PML 问题，提高其精确性和鲁棒性。该方法在多个合成数据集和三个实际 PML 数据集上都表现出显著的优越性。

May, 2023

本文探讨了针对预训练语言模型（PLMs）的置信度校准，提出了一种 Calibrated PLM（CALL）的组合方法，包括置信度惩罚损失、数据增强和集成方法，CALL 能够弥补对单独使用校准方法可能产生的缺陷，提高了分类和校准精度。

Feb, 2023

为了解决深度学习在类别分布不平衡的情况下训练表现差的问题，本研究提出了两种新的方法：一、设计了基于理论的标签分布感知边界 (LDAM) 损失函数；二、提出了一种简单而有效的训练策略来推迟重新加权，并在减轻权重的复杂性的同时实现模型对初始表示的学习，实验结果表明这两种方法能够提高模型性能。

Jun, 2019

该论文提出两种简单且有效的基于强大损失设计的方法，通过减少假负例的影响及使用基于缺失标签的最大似然标准来改进多标签学习的性能，从而在大量多标签图像分类数据集上实现了新的最先进的损失函数。

Dec, 2021