本文提出了一种名为标签分布学习的新型学习范式，旨在解决标签重要性分布的问题。文章提出了六种工作 LDL 算法，并选择了六种代表性和多样化的评估措施，比较了这些算法的性能。实验结果表明，算法设计对 LDL 问题的特征非常重要，实现了性能上明显的优越性。

Aug, 2014

本研究针对标签分布学习中标签增强方法的不足，提出了一种联合模型从逻辑标签中直接学习 LDL 模型，证实该方法对多个数据集能够直接构建可靠的 LDL 模型，同时比现有标签增强方法更准确地预测标签分布。

Mar, 2023

该论文提出了一种新的机器学习范例 —— 标签分布学习（LDL），并设计了一个名为 Contrastive Label Enhancement（ConLE）的方法，该方法利用对比学习策略将特征和逻辑标签融合到统一的投影空间中，生成高层次特征，然后通过一种有效的训练策略获得标签分布，该方法在 LDL 基准数据集上进行了广泛实验，表明其在效果和优越性方面具有很大的潜力。

May, 2023

Scalable Label Distribution Learning (SLDL) is proposed for multi-label classification, where different labels are described as distributions in a latent space with asymmetric correlation, independent of the number of labels, resulting in little computational consumption.

Nov, 2023

该论文提出了一种新的多标签学习方法，通过在标签空间中的稀疏重构来学习标签相关性，并将其无缝地整合到模型训练中，以明确考虑标签的相关预测。实验结果表明，该方法的表现优于现有的最先进技术。

Feb, 2019

本文提出了基于不同 iable 决策树的标签分布学习森林（LDLF），旨在解决标签分布学习的限制假设与表征学习方面存在局限性等问题，并在多项实验和计算机视觉应用中验证了其有效性。

Feb, 2017

标签分布学习 (Label Distribution Learning, LDL) 为样本分配软标签，但是当标签分布是不完整的 (Incomplete LDL, InLDL) 时，往往会导致性能退化。本文提出了一种合理的替代方法来解决这个问题，利用标签分布本身的先验信息和加权方案，无需显式正则化即可获得准确的标签分布并表现竞争力。

Aug, 2023

LDL 是一种轻量级防御标签攻击的深度神经网络（DNN）模型的方法，通过构建高维球体防止攻击者正确确定样本是否属于训练集，并在实验中表现出比重新训练 DNN 模型的防御措施更优效果。

Dec, 2022

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

本文提出了一种新的多标签方法 GLOCAL，通过学习潜在标签表示和优化标签流形，同时处理全标签和缺失标签情况，从而利用全局和局部标签相关性，且实验证明了该方法的有效性。

Apr, 2017