本研究提出了一种基于隐式正则化和标签嵌入的多标签学习特征选择新方法。实验结果显示，该方法在基准数据集上显著降低了偏差，可能改善过拟合问题。

本文探讨了支持向量机（SVM）及其改进算法在多类和多标签学习中的应用，提出了支持向量度量学习（SVML）和矩阵形式SVM，显著提高了分类精度和效率。同时介绍了新的多类SVM方法和特征选择过程，以优化模型性能并处理不平衡数据集。

本研究提出了两种新方法解决深度学习中的类别不平衡问题：标签分布感知边界损失函数和推迟重新加权的训练策略。实验结果表明，这些方法显著提高了模型性能。此外，研究还探讨了自监督学习和动态重新平衡方法在多标签学习中的应用，展示了其在多个数据集上的优越表现。

本文探讨了多标签学习中的不完整标签分配问题，提出了MPU方法，利用正数和未标记随机梯度下降处理缺失标签及其关联性。同时，研究了深度学习在多标签学习中的应用，介绍了弱监督学习方法和多视角数据的挑战，提出了多实例多标签学习框架及基于transformer的解决方案，实验结果表明这些方法在性能上优于现有技术。

该研究探讨了单正多标签学习中的标签偏差，提出了多种新方法以提高多标签分类的准确性。通过熵最大化损失、伪标签和类别先验引导等技术，实验结果在多个数据集上表现最佳，有效解决了数据标注成本高和假阴性标签的问题。

该研究提出了一种多标签学习方法，旨在提升自然语言处理任务的表现。通过处理噪声标签，提出了同时学习注释器模型和真实标签分布的策略。实验结果显示，该方法在图像分类和文本分类任务中表现优异，有效估计注释器技能并提升模型性能。

本研究提出了多种多标签学习方法，如AMuLaP、SLDL和GLEMIML，旨在提升少样本文本和图像分类的性能。通过预训练模型和弱监督学习，实验结果表明这些方法在多个数据集上优于现有技术，特别是在零样本识别和分类准确性方面表现突出。

该文综述多标签学习与自动化机器学习进展，提出无需调参且利用标签关联的CascadeML级联神经网络，介绍可扩展标签分布学习以降低计算消耗，梳理深度学习多标签方法及AutoML在数据准备、超参数优化、神经架构搜索等方面的成果，并探讨标签不平衡的影响与改进策略。

对比学习与谱聚类存在等价性，多模态对象可相似嵌入，核混合损失优于高斯核。互信息分析引入新方法与定理，提升严谨性。基于互信息的对比学习在分类、检测、分割等任务表现更好。MCL通过跨网络对比分布提升视觉识别。GEMINI推广互信息，无需正则化且能自动选聚类数。ICL框架加速训练16倍以上。CLIP负高斯交叉互信息可评估生成任务。语义信息G理论用于多标签学习等。

该文综述多标签学习损失函数研究，涵盖F-Measure凸罚、补充标签学习、代理损失优化、柯西损失鲁棒性、多分类校准理论及深度度量学习校准一致性，提出多种新方法并实验验证其有效性。