PaPi 是一种基于线性分类器和原型分类器的简单框架，用于处理部分标签学习任务，通过显式地鼓励表征反映类别间的视觉相似性，以在表示学习中提高性能并促进标签消歧，并已在各种图像分类任务中比其他 PLL 方法表现更优。

May, 2023

本文提出了一种基于对抗性学习与动态图的补充分类器方法，用于消除部分标签学习中假阳性标签的影响，并充分调查了补充标签集的有效性。实验表明，该方法在 4 个受控 UCI 数据集和 6 个真实世界数据集上具有优越性，并揭示了补充学习在部分标签学习中的实用性。

May, 2023

本文介绍了在部分标签学习中引入了一种新的合作分类器和 "相互监督" 范式，以帮助现有的部分标签学习方法识别和纠正错误标记的样本，并通过模糊机制来防止对特定标签的过度自信，从而显著提高了多种经典和基于深度学习的部分标签学习方法的性能和消歧能力。

Dec, 2023

本文提出一种新颖的部分标签学习框架，通过提出一种新的分类风险估计器、分析分类器一致性和建立估计误差界限来解决现有方法面对大规模数据计算复杂度瓶颈的问题，并通过实验验证其成为业界新的标杆。

Feb, 2020

本文提出了一种名为网络协作与逐层消歧 (NCPD) 的新方法，针对存在歧义标注信息的部分标签学习问题进行模型训练，其中采用了逐步消歧策略，弱化了复杂实例带来的误差累积问题，并利用协作的人工神经网络实现更好的性能。实验结果表明，该方法优于现有的同类算法。

Feb, 2020

本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

Oct, 2021

本文提出了候选标签集的生成模型，开发了两种崭新且可证明一致的 PLL 方法，这些方法优越的原因是它们与任何深度网络或随机优化器兼容，并且通过测试生成模型是否匹配给定候选标签集，能够回答 PLL 方法工作的数据集和失败时的原因等问题。

Jul, 2020

利用不可靠偏标签强健对比学习方法增强模型对不可靠偏标签的鲁棒性，并结合基于 KNN 的候选标签集校正以及基于一致性正则化的标签消歧来提高标签质量和增强 URRL 框架中的表示学习能力。实验证明该方法在不同数据集上的性能超过了现有方法，并从期望最大化算法的角度对此方法进行了理论分析。

Aug, 2023

本研究提出了一种基于适应距离度量学习和样本特征的 Few-shot PLL 方法，通过学习多类别分类器，从过度标注的样本中训练生成去噪的分类器用于不精确标记的学习。实验结果表明在使用少量数据集的情况下，FsPLL 可以优于现有最先进的方法并快速适应新任务。

Jun, 2021

本文提出了一种新的方法 CroSel 来解决部分标签学习（PLL）问题，利用深度模型的历史预测信息识别大多数训练样例的真实标签，并证明在基准数据集上 CroSel 优于之前的最先进方法。

Mar, 2023