在分散设置中，本文研究了因果多标签特征选择的挑战性问题，并提出了一个包含三个新颖子程序的分散因果多标签特征选择 (FedCMFS) 算法，能够在不集中数据的情况下保持数据隐私，实现对相关特征的选择和移除，为分散设置中的因果多标签特征选择提供了一种有效的方法。

Mar, 2024

该论文提出了一种新颖的半监督特征选择框架，通过挖掘多个任务之间的相关性，并将其应用于不同的多媒体应用程序，从而提高特征选择的性能。

Nov, 2014

本文介绍了第一个针对物联网环境中分布式多标签数据集合的联合多标签特征选择方法 FMLFS，通过对边缘服务器上的度量的聚合和 Pareto 双目标策略以及拥挤距离策略，将排序后的特征返回给物联网设备，评估结果表明 FMLFS 在性能、时间复杂度和通信成本等方面优于其他五个可比较的方法。

May, 2024

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

通过引入基于深度学习的自监督机制，提出了一种批量注意力自监督特征选择（A-SFS）方法，该方法利用多任务自监督自编码器发现特征之间的隐藏结构，并通过批量注意力机制生成特征权重，以减少少量有噪音数据的影响。与 14 种主要的算法进行比较，实验结果表明，该方法在大多数数据集中具有最高的准确性，并且在降低对标签的依赖，并且对于噪声和丢失数据最具有鲁棒性。

Jul, 2022

本文研究了利用结构化语义相关性来解决多标签学习中的缺失标签问题，通过构建语义图，将语义相关性加入多标签学习公式中，提出的方法在四个基准数据集上优于现有的多标签学习方法。

Aug, 2016

本文提出了一种新的学习范式，以自动从非常高的维度中识别出信息丰富且相关的特征组。通过利用相关度量作为约束条件，我们提出了一种有效的嵌入式特征选择方法，可以识别出最优的有区分性而且不相关的特征子集，即所谓的支持特征。在学习过程中，还可以发现与每个支持特征相关联的相关特征的基础组结构，即附属特征，而不需要任何额外成本。 在合成和高维真实世界数据集上的广泛实证研究验证了所提出的方法的有效性和效率。

Jun, 2012

本文提出了一种全新的互相关注意力的半监督学习方法，该方法结合标签数据和未标签数据的特点，在医学图像分割任务中实现了更好的表现。

Jul, 2023

本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

May, 2019

提出了鲁棒的多标签 Takagi-Sugeno-Kang 模糊系统（R-MLTSK-FS），其包含软标签学习机制、基于规则的 TSK FS 和基于软标签和模糊特征空间的相关增强学习机制，旨在同时解决模型透明度、标签相关性学习和标签噪声抗干扰性这三个关键问题。该方法在大量实验中证明了其优越性。

Jan, 2023