- 基于冰图的海冰分类的部分标签学习与焦点损失
通过将海冰分类训练形式化为部分标签学习任务，并利用明确的置信度分数，将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法，用于通过训练卷积神经网络（CNN）来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传 - 基于超像素低秩逼近的部分标签学习用于高光谱图像分类
本文提出了一种新的基于超像素低秩逼近（LRA）的部分标签学习方法 SLAP，该方法在高光谱图像（HSI）分类中首次考虑到部分标签学习，并且通过实验验证了该方法相对于现有方法的优势。
- 具有区分度的偏好标签学习与外部数据检测
我们的研究引入了一种名为 PLL-OOD 的新方法，将 Out-of-Distribution（OOD）检测纳入 Partial Label Learning（PLL）框架，通过合并自我监督学习和部分标签损失以及 PE 得分，实现了模型的适 - 简化的平均与稳健的基于嘈杂部分标签的识别
SARI is a minimalistic framework for noisy partial label learning that combines average-based and identification-based s - AAAI与合作伙伴的部分标签学习
本文介绍了在部分标签学习中引入了一种新的合作分类器和 "相互监督" 范式，以帮助现有的部分标签学习方法识别和纠正错误标记的样本，并通过模糊机制来防止对特定标签的过度自信，从而显著提高了多种经典和基于深度学习的部分标签学习方法的性能和消歧能力 - AAAI增强的噪声标签学习的自适应部分标签学习和负样本学习集成
通过集成部分标签学习和负向学习来革新嘈杂标签学习，通过自适应地将标签空间分解为候选标签和补充标签，并引入困难清晰度和软清晰度两种适应性数据驱动的标签模糊辨别范式来提高模型的鲁棒性，并通过一致性正则化术语维持标签可靠性。与其他最先进方法相比， - 多分类标签查询的语义分割主动学习
该论文提出了一种新的语义分割主动学习方法，通过新的注释查询设计获取信息丰富的局部图像区域，使用多类别标注策略进行训练，解决了类别不确定性问题，最终在 Cityscapes 和 PASCAL VOC 2012 数据集上取得了优越的性能并降低了 - 不可靠局部标签学习的鲁棒表示学习
利用不可靠偏标签强健对比学习方法增强模型对不可靠偏标签的鲁棒性，并结合基于 KNN 的候选标签集校正以及基于一致性正则化的标签消歧来提高标签质量和增强 URRL 框架中的表示学习能力。实验证明该方法在不同数据集上的性能超过了现有方法，并从期 - 互补分类器引导的部分标签学习
本文提出了一种基于对抗性学习与动态图的补充分类器方法，用于消除部分标签学习中假阳性标签的影响，并充分调查了补充标签集的有效性。实验表明，该方法在 4 个受控 UCI 数据集和 6 个真实世界数据集上具有优越性，并揭示了补充学习在部分标签学习 - 具有标签蒸馏的对抗感知的部分标签学习
提出了对手感知部分标签学习方法 (Adversary-Aware Partial Label Learning)，将对手标签引入候选标签集合，通过引入对手标签，分解 PLL 的预测分布，从而获得较低的不确定性，提高预测标签的可靠性。我们还提 - 基于递归分离的不可靠部分标签学习
针对部分标签学习中标签可能不可靠的情况，提出了一种名为 UPLLRS 的两阶段框架，其中自适应递归分离策略用于训练数据分成可靠和不可靠子集，消除不可靠的标签后在可靠子集上进行半监督学习。该方法在实验结果方面表现出最先进的性能，特别适用于高度 - ICLR通过动态再平衡实现长尾部分标签学习
提出一种名为 RECORDS 的动态重新平衡方法来克服部分标签学习和长尾学习的困难，并证明该方法在三个基准数据集上比其他基线方法具有显著的优势。
- IRNet: 迭代细化网络用于噪声部分标签学习
本文提出了一种名为 “Iterative Refinement Network” 的新型框架，旨在加强部分标签学习 (PLL) 中嘈杂样本的纠正，通过嘈杂样本检测和标签修正两个关键模块，确保框架的性能，将噪声 PLL 转换为传统 PLL，实 - 在线众包注释中不充分和模糊监督问题缓解方向
通过众包标注系统和基于伪标签和对比学习的新方法，解决了由于用户知识、文化背景差异和获得监督信息的高成本而导致的标注信息不充分和含糊不清的问题，实现了半监督部分标签学习的最先进表现。
- ProPaLL：概率性部分标签学习
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。
- ICLR实例相关部分标签学习的分解生成过程
本文针对实例相关的问题提出了一种新的局部标签学习方法，基于一种通过概率分布模型显式建模候选标签生成过程的最大后验 (MAP) 方法进行研究。
- ICLRPiCO+：面向部分标签学习的对比标签消歧技术
本文提出一个 PiCO 框架，包括对比学习模块和新型基于原型的标签消歧算法用于解决部分标签学习的问题。该框架可以对相同类别的样例进行紧密对齐并促进标签消歧，并在嘈杂的部分标签学习任务中表现出色，甚至可以与完全监督的学习相媲美。
- AAAI使用部分标签进行多标签识别的结构化语义转移
提出了一种结构化的语义转移（SST）框架，用于训练多标签识别模型，其特点是仅知道某些标签而丢失了其他标签。该框架包括两个互补的转移模块，探索图像内部和跨图像的语义相关性，以生成未知标签的伪标签，并使用已知和生成的标签来训练多标签识别模型。实 - 基于实例依赖的部分标签学习
本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。
- ICML基于加权损失的部分标签学习
本文通过提出一种 Leveraged Weighted 损失函数，并推导出该函数的风险一致性，并在实验中得到验证，证明了其在面对部分标签学习中的高效性，从而提供了关于 Leverage 参数选择的指导。