- 使用监督对比学习学习标签层次
我们介绍了一种 Label-Aware SCL 方法，通过利用类别之间的相似性，将层次信息融入到 SCL 中，从而创建一个更结构化和具有辨别性的特征空间，实现了更好的文本分类性能。
- EMNLP文本对齐到标签树层次结构的医疗分类不平衡问题
本文提出了一种名为 Text2Tree 的新型算法，该算法只利用内部标签层次结构来训练深度学习模型，通过嵌入 ICD 标签树结构到级联注意力模块中，学习具有层次感知的标签表示。引入了相似度替代学习（SSL）和差异混合学习（DML）两种新的学 - SEAL: 同步标签层次探索和学习
提出了一种名为 SEAL 的框架，该框架探索了标签层次结构，通过扩充观察到的标签与先前的分层结构的潜在标签进行了学习，并使用 1-Wasserstein 度量来同时执行数据驱动标签分层和（半）监督学习， 在几个数据集上进行了验证，结果表明该 - ECCV学习分层感知特征以减少错误严重程度
提出了一种学习层次感知特征的方法，该方法利用层次结构中的分类器并使用 Jensen-Shannon Divergence 和几何损失来训练，可以在维持 top-1 误差的情况下改善分类器错误，从而提高分类性能。
- EMNLP利用全局和局部层次结构进行层次文本分类
本研究提出了一个使用 Hierarchy-guided BERT with Global and Local hierarchies (HBGL) 方法来处理层级文本分类中的全局和本地层次结构，并将其应用于三个基准数据集，取得显著的改善。
- ACL将层次结构纳入文本编码器：一个基于对比学习的层次文本分类方法
本文提出了一种将层级结构直接嵌入文本编码器的层次引导对比学习（HGCLR）方法，通过此方法，将正样本进行层次指导，以学习生成具备层次感知的文本表示，在三个基准数据集上的实验证明了 HGCLR 的有效性。
- 标签关系图增强的分层残差网络用于分层多粒度分类
该论文研究了层次多粒度分类问题，基于所提出的组合损失以及继承父级别特征的方法，设计了一种基于层次残差网络的深度神经网络结构，展示了该方法有效性在通常数据集上优于目前最先进的方法及精细分类方法利用标签层次结构。
- 深度网络中测试时间无成本似然操纵以减小错误率
研究表明，当前基于层次结构的分类器不能在减少深度学习分类器中较严重错误方面表现出实用的改进。然而，条件风险最小化（CRM）框架作为一种简单又有效的方法，通过修正推理时的错误来修复此问题，同时避免引入过多的超参数或更多的代码。
- WWW元数据感知的大型层次文本分类
本文提出了一种基于 MATCH 方案的文本分类方法，旨在在大规模标签层次结构中利用元数据和层次信息提高分类效果，实验证明其比深度学习基线模型效果更好。
- ACL层次化多标签分类的双曲线标签嵌入联合学习
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。
- CVPR你的 “火烈鸟” 与我的 “鸟”：细粒度还是不细粒度
通过构建分类标签层次结构、引入多粒度标签、优化特征学习和分类方法，本文在细粒度图像分类中达到优秀表现，并且比现有的单标签细粒度图像分类表现更佳。
- 使用混合依赖图进行缺失标签的多标签学习
本文研究了多标签学习中的标签缺失问题，针对这个问题提出了基于依赖图的两个凸传导公式来处理图像注释和基于标签的图像检索两种应用场景，并在多个基准数据集上进行了实验证明了本文所提方法在性能和缺失标签的鲁棒性方面显著优于现有方法。