该论文提出了一套使用嵌入到分类标签中的类层次结构信息，通过改进算法进行图像分类和表示学习的方法，并将其在 ETHEC 数据集中进行了实证测试。

Apr, 2020

本文提出了一种联合学习分类器参数与标签嵌入的方法，用于多标签分类的层次化关系建模，结果表明该方法对具有效性，超过了以往基于共现信息的预训练超几何嵌入方法。

Jan, 2021

通过多级分层标签扩展的在线学习约束，我们提出了一种新的多级分级类增量任务配置，该配置允许网络首先学习粗粒化类别，并在各个层次深度中不断扩展到更精细粒度的类别。通过利用层次感知的伪标签技术，结合简单而有效的记忆管理和采样策略，我们的方法能够在所有层次的分层结构中显著提高分类准确性，无论层次深度和类别不平衡比例如何，并且在传统的不相交、模糊和 i-Blurry 的连续学习设置上也优于现有的最先进方法。

Aug, 2023

本文提出了一种使用超几何空间嵌入词汇和标签层次结构的方法来解决层级多标签分类问题。通过设计新的超球面交互模型，实现对标签感知的文档表示和 HMLC 预测，实验结果表明新模型相对于现有方法进一步提高了性能。

May, 2019

本文提出了一种层次化多标签表征学习框架，该框架可以利用所有可用标签并保留类别之间的层次关系，并引入新颖的层次保持损失。该方法是数据驱动的，自动适应任意多标签结构。实验表明，我们的关系保持嵌入在各种任务上表现良好，优于基线监督式和自监督式方法。

Apr, 2022

本研究提出了一种基于异构标签图的模型（HLG），以捕捉标签之间的依赖关系和关联关系，并利用这些关系来提高多重意图检测和位置填充任务的性能。我们还提出了标签感知的相互依赖解码机制，以进一步利用标签之间的关联关系来解码。实验结果表明，我们的 ReLa-Net 模型在 MixATIS 数据集上的整体准确性比以前的最佳模型高出 20％以上。

Oct, 2022

通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程，同时节省标记成本。

Mar, 2018

本文介绍了一种用于训练多标签、大规模多类别图像分类模型的方法，通过将高维稀疏标签嵌入到具有单位范数的低维密集球体上，并将分类问题视为该球体上余弦相似度回归问题，其比基于逻辑回归的 sigmoid 交叉熵损失函数的监督方法更快更准确，经过在 300 million 高分辨率图像和 17,000 标签的数据集上测试，相对于逻辑回归，该方法收敛速度明显提高，平均精度也提高了 7%。

Jul, 2016

本研究提出了一种标签嵌入网络的方法，在深度网络的训练过程中学习标签表示（标签嵌入）。通过反向传播，该方法可以自适应地自动地学习标签嵌入，将原来的单热表示丢失函数转换成带有软分布的新的丢失函数，使得原来不相关的标签在训练过程中具有连续的相互作用。实验结果表明，所提出的方法可以在竞争任务中获得更高的准确性和更快的收敛速度，并且所学习的标签嵌入是合理且可解释的。

Oct, 2017

该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

Sep, 2018