- 通过探索标签相关性的方法，仅使用正标签进行联邦学习
研究了在联邦学习设置下的多标签分类问题，通过探索标签相关性的联邦平均方法提出了一种新的通用方法 FedALC，可以显著优于现有方法。
- 基于 Patch 训练的多标签图像分类的反事实推理
通过因果推断的方法，我们提出了一种反事实推理方法来解决多标签图像分类中的过拟合问题，并实现了在多个基准数据集上达到最先进性能的验证。
- 多标签噪声转移矩阵估计与标签相关性：理论与算法
本文研究了噪声多标签学习中类相关的转换矩阵的可辨识性，并提出了一种新的估计器，该估计器利用标签相关性而无需锚点或精确拟合噪声类后验概率。通过信息提取纯净标签相关性，并利用这些事件概率暗示的标签相关性的差异，证明了转换矩阵的可辨识性，并通过解 - 多标签环境中的标签相关性利用：情感分析案例研究
论文研究了多标签情感识别模型中的标签相关性，并提出了两种建模方法和通过情感表示的成对约束作为正则化项，证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。
- IJCAI文档级关系抽取的无类别排名损失
该论文提出了一种新的多标签丢失函数，该函数鼓励每个预定义类别与无类别之间的标签置信度得分具有大的边际，从而实现了捕获标签相关性和基于上下文的标签预测阈值。
- 一种基于共现分析的三阶段增强分类器链方法用于多标签分类
本文提出了基于共现分析的三阶段增强型 CC 方法来改进多标签分类，包括共现矩阵模型、Greedy Order Classifier Chain 和 Trigram Order Classifier Chain 等增强策略，为改善现有方法中存 - 使用均场推理建模标签相关性进行二阶语义依存解析
本研究探索了基于张量分解技术的一种二阶语义解析方法，以改善传统的直接建模方法由于存储空间不足以不可承受的代价而导致的性能不佳问题。实验结果表明，该方法有效地增强了标签相关性的建模，同时在回归目标词概率的阶段减少了计算复杂度，其代码已在 ht - ICML利用对比学习的高斯混合变分自编码器进行多标签分类
通过构建高斯混合变分自编码器，基于对比学习构建了一个多标签预测模型，利用数据驱动方式有效挖掘标签信息和增强预测能力，且通过学习特征和标签的潜在空间实现了更好的性能，适用于多个公共数据集。
- ECLARE: 标签图相关性的极端分类
ECLARE 是一种深度极端分类的算法，通过引入标签相关性来提高分类准确性，从而实现对于海量标签的实时预测。该算法在公共数据库和相关产品推荐数据上都表现良好。
- ACL利用多任务学习增强多标签文本分类中的标签相关反馈
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 - 基于解耦变分自编码器的协方差感知多元 Probit 模型的多标签分类
本篇论文提出了一个用于多标签分类的新型框架，即多元 Probit 变分自编码器（MPVAE），该框架通过有效地学习潜在的嵌入空间和标签之间的相关性来实现。同时，MPVAE 在公开真实世界数据集上优于现有的最先进方法，并且进一步证明了在嘈杂环 - 深度森林多标签学习
该研究提出了一个名为 MLDF 的多标签深度森林方法，该方法利用度量感知特征重用和度量感知层增长机制同时解决了多标签问题中的两个难点：模型复杂性约束和性能度量优化。实验证明，与基准数据集上的其他方法相比，我们的提议不仅击败了六个度量标准，而 - ACL引入标签关系归纳偏置来进行极细粒度实体类型推断
本文提出了一种新的标签关系归纳偏好，利用图传播层有效编码全局标签共现统计和单词级别相似性，结合基于注意力的匹配模块，可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数，并且在输出的稳定性方面也更少不一致性。
- AAAI基于协作的多标签学习
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。
- 全局和局部标签相关性的多标签学习
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。
- 具有不完整标签分配的大规模多标签学习
本文研究了多标签学习的不完整标签分配问题，提出了一种名为 MPU 的方法，该方法基于正数和未标记随机梯度下降和堆叠模型，可以同时有效且高效地考虑丢失的标签和标签之间的关联性，从而更好地解决了大规模多标签学习问题。