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

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

针对部分标签学习中标签可能不可靠的情况，提出了一种名为 UPLLRS 的两阶段框架，其中自适应递归分离策略用于训练数据分成可靠和不可靠子集，消除不可靠的标签后在可靠子集上进行半监督学习。该方法在实验结果方面表现出最先进的性能，特别适用于高度不可靠的情况。

Feb, 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

本文针对监督信号由多输入实例上的标签的转移函数 σ 生成的弱监督学习方案，提出了多实例偏标签学习（multi-instance PLL）问题，并给出了对于可能的未知转移 σ 的第一理论分析。通过使用一种在神经符号学中广泛使用的顶部 - k 替代损失，我们推导了基于 Rademacher 的错误界限，并进行了实证实验。

Jun, 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

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

本文提出一个 PiCO 框架，包括对比学习模块和新型基于原型的标签消歧算法用于解决部分标签学习的问题。该框架可以对相同类别的样例进行紧密对齐并促进标签消歧，并在嘈杂的部分标签学习任务中表现出色，甚至可以与完全监督的学习相媲美。

Jan, 2022