本文研究了单正多标签学习（Single Positive Multi-label Learning - SPML）的问题，提出了基于期望风险最小化的广义损失框架，用于生成软伪标签，并设计了一种能够处理正负样本不平衡同时灵活协调假阳性和假阴性的新型鲁棒损失函数。实验证明，该方法能够显著提高 SPML 性能，在四个基准测试上胜过绝大多数最先进的方法。

May, 2024

本文研究多标记问题的通用经验风险最小化框架，提出了一种简单的框架，能高效地解决数据中存在缺失标记和标记量极大的问题。通过特定损失函数的结构，基于该框架设计了有效算法，进一步证明了该框架在存在缺失标记时的形式化过度风险边界。此外，对于低秩促进的迹 - 范数正则化，我们的风险界更紧，表现出更好的泛化性能。最后，在各种基准数据集上进行实验，证明了本方法的优越性以及其可扩展性。

Jul, 2013

RML 是一种用于降低选择噪声样本概率和校正噪声样本损失的方法，通过稳定的均值损失和健壮的中值损失组合以获得噪声样本的鲁棒损失估计，并提出了新的样本选择策略和基于 RML 的半监督方法来进一步提高模型对标签噪声的性能。

Dec, 2023

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

多边界损失（MML）是一种简单而有效的损失函数，通过引入多个边界和变化的负样本权重，解决了资源有限时的挑战，并在两个知名数据集上实验证明，在使用更少的负样本时，MML 相对于基准对比损失函数取得了高达 20％的性能提升。

May, 2024

本文提出了一种基于熵最大化损失和非对称伪标签方法的单正类多标记学习方法，能够有效改善 SPML 问题中假阴性标签的影响，提高多标签分类准确性，实验结果表明该方法在四个基准数据集上取得了最新的最佳表现。

Mar, 2022

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

本文研究了多标签学习的不完整标签分配问题，提出了一种名为 MPU 的方法，该方法基于正数和未标记随机梯度下降和堆叠模型，可以同时有效且高效地考虑丢失的标签和标签之间的关联性，从而更好地解决了大规模多标签学习问题。

Jul, 2014

使用自适应估计技术估计正负样本比率，通过随机标签屏蔽技术优化训练过程，提出了一种通用的 Partial Label Masking 方法，从而平衡类别样本不均导致的性能下降问题，该方法在多标签和单标签分类数据集上，比现有方法表现更好。

May, 2021

本文探究弱监督多标签分类任务中的噪声与过拟合问题，并提出了能够处理大损失值样本的方法，得出准确性更高的预测结果。

Jun, 2022