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

提出了基于最优传输的 SoLar 框架作为 PLL 问题的解决方案，该框架可用于弱监督情况下部分标签学习中的标签消岐，特别是在面对长尾分布和标签不完整情况下，该方法比先前的最新 PLL 方法表现出更高的性能。

Sep, 2022

通过结合软标签修复与多专家集成学习的有效的两阶段方法，我们介绍了一种克服先前方法限制的方法，用于处理真实世界数据集中存在的噪声标签和类别不平衡问题，实验证实了我们的方法的优越性。

Mar, 2024

通过 Open Long-Tailed Recognition++ 算法，实现在自然分布数据上的 imbalanced classification、few-shot learning、open-set recognition 和 active learning，并且能够在头尾识别之间共享视觉知识、降低尾部与开放类别的混淆，同时提供了基于视觉记忆的主动学习方案。

Aug, 2022

通过多目标优化，我们提出一种梯度平衡聚类（GBG）策略，以应对现实世界数据中的类别不平衡和长尾分布问题，并在长尾学习中展现出比现有方法更优越的性能。

Oct, 2023

本文提出了一种新的分布校准方法，名为标签感知分布校准（LADC），它利用头部类的相关统计信息丰富尾部类，从而更准确地校准长尾分布的数据集。实验结果表明 LADC 显著优于现有的方法。

Nov, 2021

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

本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

Oct, 2019

本文提出了一种新的 “子类平衡对比学习（SBCL）” 方法，通过在表示空间中对头类聚类，以捕捉头类和尾类之间的两层类层次结构，实现了实例和子类平衡，并通过在不同类之间的子类对比学习来学习原始类标签。

Jun, 2023