通过引入多任务学习和标签相关性反馈机制来增强标签相关性学习，其中采用文档 - 标签交叉注意力机制来生成一个更具有区分度的文档表示，以及两个辅助标签共现预测任务来增强标签相关性学习，实验结果表明，我们的方法在 AAPD 和 RCV1-V2 数据集上优于竞争性基线方法。

Jun, 2021

本研究使用元数据引导对比学习的方法来训练文本分类模型，从而在没有标注文件的情况下，提供更好的多标签文本分类性能，特别是在训练数据呈现长尾标签分布时。

Feb, 2022

使用反事实文本分类器（CFTC）通过阻止相关性偏见来消除标签依赖引起的预测偏见。实验证明，我们的 CFTC 在数据集上明显优于基准模型并有效消除了相关性偏见。

Oct, 2023

本研究在多个数据集上评估了多种 Large-scale Multi-label Text Classification 方法，发现基于概率标签树的层次分类方法优于 Label-Wise Attention Networks。另外，结合 Transformer 的方法在两个数据集上实现了优秀的性能，同时提出了一种新的最先进的方法，将 BERT 与 LWANs 相结合。此外，还引入了图形感知注释接近度度量，提出了利用标签层次结构来改进少量和零 - shot 学习的新模型。

Oct, 2020

我们进行了关于有监督对比学习在多标签文本分类中的影响以及如何构建稳健的表示空间的研究，提出了一种新的对比损失函数，并在三个多标签数据集上实现了显著的宏 F1 分数改进。

Apr, 2024

本文介绍了一种基于图注意力网络的模型，用于捕捉标签之间的关注依赖结构。该模型使用特征矩阵和相关矩阵来探索标签之间的关系，并生成可用于端到端训练的分类器。该模型在 5 个真实的多标签文本分类数据集上表现出与先前的最先进模型相似或更好的性能。

Mar, 2020

本文提出了一种检索增强的方法来解决具有 Zipfian 分布标签支持的大标签集情 况下的多标签文本分类问题，并通过交叉关注和检索来改善分类模型的样本效率，实验证明这种方法在标签分布偏斜、低资源训练和长文档数据情境下显著提高了模型性能。

May, 2023

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

提出一种名为 Knowledge-enhanced Doc-Label Attention Network (KeNet) 的新方法，通过综合的文档、知识和标签表示来预测每个文本的所有标签，并在多个多标签数据集上进行了综合验证，实验证明我们的方法优于现有的多标签文本分类方法。

Mar, 2024

本文提出了一种利用深度强化学习的新型序列到集合框架，不仅可以捕捉标签之间的关联性，而且还可以减少对标签顺序的依赖，实验结果表明我们提出的方法明显优于竞争基线。

Sep, 2018