本文提出了一种新的层次化多标签分类问题的方法 C-HMCNN (h)，该方法利用网络 h 中的层次信息，以产生符合约束的预测并提高性能，在广泛的实验分析中展示了与最先进模型相比的优异性能。

Oct, 2020

本文提出了一种多任务学习框架，同时优化分类和相似性约束，将标签结构（如层次结构或共享属性）嵌入到框架中以建模多级相关性，从而实现精细的特征表示，并在细粒度数据集上得到了非常竞争的性能。

Dec, 2015

本文提出了一种新的层次记忆学习框架来解决场景图生成中的混合粗细粒度和长尾问题，通过加入概念重构和模型重构约束，将模型从简单到复杂地训练，有效提高了其在视觉基因组等数据集上的预测精度。

Mar, 2022

本文提出了一种层次化多标签表征学习框架，该框架可以利用所有可用标签并保留类别之间的层次关系，并引入新颖的层次保持损失。该方法是数据驱动的，自动适应任意多标签结构。实验表明，我们的关系保持嵌入在各种任务上表现良好，优于基线监督式和自监督式方法。

Apr, 2022

本研究提出了一种新的细粒度类别发现的场景，称为基于粗糙标注的细粒度类别发现 (FCDC)，它旨在通过仅使用粗糙标记数据发现细粒度类别，可以适应来自已知类别的不同粒度的类别并降低标记成本，而我们的方法则通过结合自对比学习和有监督学习进行层次加权处理，具有良好的效果和效率。

Oct, 2022

本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

Feb, 2019

为了将空间（邻域）和双向分层关系以及样本的特征和先验信息纳入他们的分类中，我们针对三种变型的多分辨率邻域图以及分层条件随机场图制定了分类问题。

Jun, 2023

我们提出了一种新的层级分类感知和注意图胶囊递归卷积神经网络框架，以实现大规模多标签文本分类。

Jun, 2019

提出了一种新的图生成网络，以获得具有层级结构的图，并通过模块化方法在层级结构的不同级别生成社区，根据多项式分布对层级图中的边进行建模并成功地捕获了局部和全局性质。

May, 2023

提出了一种基于层次图知识表示的置信度分类方法，命名为 HGR-Net，用于零样本学习和大规模图像识别，可以有效地识别未见过的类别并区分它们与已见过的类别，在 ImageNet-21K 基准测试中，性能比其他现有技术提升了 7%。

Mar, 2022