利用共轭标签信息进行多实例部分标签学习

MIMLfast方法通过构建共享低维子空间和训练标签特定的线性模型来优化近似排名损失，显著降低时间成本。

NCPD方法采用逐步消歧策略和协作的人工神经网络，针对部分标签学习中的歧义标注信息进行模型训练，表现优于现有算法。

PiCO框架结合对比学习模块和基于原型的标签消歧算法，能够在嘈杂的部分标签学习任务中实现良好性能。

PLAIN方法结合图形解析和深度模型，提高了PML问题的精确性和鲁棒性，在多个数据集上表现优越。

基于对抗性学习与动态图的补充分类器方法有效消除部分标签学习中的假阳性标签，实验结果显示其在多个数据集上具有优越性。

DEMIPL算法通过消歧关注机制和动量消歧策略在肠癌分类研究中取得了卓越的实验结果。

新提出的方法通过动态分化OOC样例类型，利用木制交叉熵损失优化部分标签学习，实验结果优于现有PLL方法。

伪标注技术和新的损失函数被用于解决多标签分类中的标签不平衡问题，优化模型性能，实验结果超越了使用完整标签训练的方法。

NPN方法通过集成部分标签学习和负向学习，提升了模型的鲁棒性，表现出优越性能。

MI-PLL通过模式标注学习和潜在结构学习分析学习不平衡现象，并提出方法解决不平衡问题。