本研究提出了FairPO框架，通过优化偏好信号提升多标签分类的公平性。结果表明，该框架有效减少标签间的偏见，确保不同标签类别的公平对待，并具备扩展到多标签生成的潜力。

本研究探讨了地球观测中复杂数据的不确定性感知，提出了一种评估框架，展示了预训练数据在多标签分类和分割任务中的强泛化能力，为未来研究提供新视角。

本研究探讨了多标签分类中的标签噪声问题，提出了一种新的后纠正方法，利用深度生成技术建模标签噪声。结果表明，该方法在多种噪声标签设置下有效提高了预测准确性，优于现有方法。

本研究提出了一种新颖的多标签分类系统，利用聊天助手对话数据，满足焦虑和抑郁症早期检测的需求。结合大型语言模型和机器学习，系统准确率达到90%，显著提升了现有检测效果。

多标签分类在计算机视觉中应用广泛，适合复杂场景，能够同时预测多个类别。与目标检测相比，其计算复杂度低、推理速度快、标注成本低且鲁棒性高。PaddleX提供多种模型，支持简单的Python API，便于快速体验和二次开发。

本研究提出了一种双层对比学习框架，解决了多视角多标签分类中的视角和标签不完整问题。该方法在多个基准数据集上优于现有技术。

本研究提出了一种新方法RR2QC，旨在提升在线教育中多标签分类的准确性，特别是对长尾标签的理解与预测能力，以支持个性化学习和资源推荐。

本研究提出五种样本关系，通过对比学习和动态调整损失权重，提升多标签分类模型的性能和鲁棒性。

该研究提出了UniDEC框架，通过多类损失统一训练双编码器和分类器，解决极端多标签分类问题。采用Pick-Some-Label方法，UniDEC在单GPU上实现了与多GPU方法相当的先进结果，并具备大规模数据集的可扩展性。

本研究使用自监督学习技术解决了底栖栖息地图像多标签分类中缺失标注信息的问题。研究发现，自监督预训练的模型在分类精度和深度上优于ImageNet预训练的模型，为未来的自动水下图像标注任务建立了基准。

本研究提出了一种新的部分标签学习设置，使用深度神经网络PLMCL同时学习部分标注和未标注的训练图像，通过更新软伪标签和自适应自信度调度器，提高多标签分类性能。实验结果表明，PLMCL方法比现有方法更好。

本研究提出了一种新的部分标签学习设置，使用深度神经网络PLMCL同时学习对部分标注和未标注的训练图像具有信心的伪标签。实验结果显示该方法在多标签分类中表现更好。

提出了一种新型联邦学习框架FedLGT，用于多标签分类。通过在不同客户端之间传递知识，学习出稳健的全局模型。实验证明，在多标签联邦学习场景下超过了标准联邦学习技术，并获得了令人满意的性能。

我们提出了一种名为BalanceMix的数据增强方法，用于解决多标签分类中的类别不平衡和噪声问题。该方法包括两个样本策略，用于生成多样性较高的少数类增强样本，并对多标签进行细分，将噪声标签归类为清晰、重新标记或不确定。实验结果表明，BalanceMix优于现有方法。

本文介绍了一种新颖的任务，即Partial labeling and Long-Tailed Multi-Label Classification（PLT-MLC）。提出了一种端到端的学习框架CO-MIC-Balance，用于解决长尾分布和部分标签的多标签分类问题。实验结果表明，该方法在PLT-MLC数据集上具有更高的有效性和鲁棒性。

本研究介绍了两个新的多语言数据集，用于文档图像分类任务。研究对文档智能模型进行了全面研究，包括多标签分类和零样本跨语言迁移设置。实验结果显示多语言文档智能模型在跨语言迁移上存在局限性。

该研究证明了深度神经网络在多标签分类任务中存在神经折叠现象，并发现了多标签学习中的“标签平均”组合属性，建立了全局优化结果和训练效率的实证证据。

本文提出了一种新的激活函数——稀疏最大函数，能够输出稀疏概率，并给出了其特性及雅可比矩阵的高效计算方法。同时，提出了一个新的平滑且凸函数作为逻辑损失的稀疏最大函数的对应，并发现它与 Huber 分类损失之间的联系。实验结果表明，在多标签分类和自然语言推断的基于注意力机制的神经网络中，采用稀疏最大函数可以获得类似的性能，但具有更精细、更紧凑的注意力焦点。