本文提出利用图形解析和深度模型相结合的方法 ——PLAIN 应对 PML 问题，提高其精确性和鲁棒性。该方法在多个合成数据集和三个实际 PML 数据集上都表现出显著的优越性。

May, 2023

本文介绍了 ProPaLL，一种新的概率方法，用于解决局部标签学习问题，相比现有方法具有简化训练过程、提高性能和适用于任何深层架构的优点。在人造和真实数据集上的实验证明，ProPaLL 比现有方法表现更好。

Aug, 2022

本论文提出一种新的 Partial Multi-label Learning 算法 (aby)，通过利用 candidate label 的相关度和 non-candidate label 的不相关度，重新定义 ground-truth confidence 来降噪，然后在此基础上使用 unconstrained label propagation 和多标签预测器共同完成对 ground-truth confidence 和多标签的学习。实验结果表明，aby 的表现优于现有的 PML 方法。

Jun, 2020

本研究提出了一个新的部分标签学习的设置，其中只标注了训练图像的子集，每个图像只有一个正标签，其余训练图像保持未标注状态。通过使用端到端的深度神经网络 PLMCL，可以同时学习产生对部分标注和未标注的训练图像都具有信心的伪标签。通过考虑伪标签更新的速度，使用新的基于动量的法则来更新软伪标签，以帮助防止在早期训练阶段陷入低信心的局部最小值。此外，还提供了适应不同标签的逐渐递增学习的自适应 “自信度调度器”。实验结果表明，我们的 PLMCL 方法在三个不同数据集上的多标签分类中，表现比许多现有的基于多标签分类方法更好。

Aug, 2022

在多标签图像分类任务中，我们提出了一种名为 Probabilistic Multi-label Contrastive Learning (ProbMCL) 的新框架，通过结合有监督对比学习和混合密度网络来解决现有方法中的挑战，并在计算机视觉和医学影像领域的数据集上验证了其有效性和低计算成本。

Jan, 2024

该研究介绍了一种称为伪多标签的方法，通过教师模型在单个正标签上训练，然后使用其预测作为标记数据来训练学生模型，以解决多标签图像分类中数据注释成本高的问题。研究表明，在实际的全标签数据上训练得到的模型性能可以近似于该方法训练得到的模型。

Jun, 2023

使用自适应估计技术估计正负样本比率，通过随机标签屏蔽技术优化训练过程，提出了一种通用的 Partial Label Masking 方法，从而平衡类别样本不均导致的性能下降问题，该方法在多标签和单标签分类数据集上，比现有方法表现更好。

May, 2021

提出了一种名为 proposed 的新框架，即类别先验引导的单正多标签学习，通过引入类别先验估计器并基于该估计值推导出一种无偏风险估计器，实验证明该方法在十个多标签学习基准数据集上比现有方法更加有效和优越。

Sep, 2023

该论文提出一种新的逐步边缘损失（PML）方法用于非限制性面部年龄分类，并成功地运用于三个面部老化数据集中，其表现和现有技术相比具有显著的优势。

Mar, 2021

本文提出了首个对部分标签回归进行研究的简单基线和改进型候选标签鉴定方法，并证明了这两种方法的模型一致性和收敛分析，在实验中验证了其有效性。

Jun, 2023