本研究提出了利用标签信息生成聚类算法解释的新方法，采用析取形式和合取范式，通过整数线性规划和启发式方法实现，实验结果表明该方法可行且具良好可扩展性。

本研究提出ELU-GCN框架，旨在解决传统图卷积网络在标签信息利用上的不足，通过学习新图结构和图对比学习，显著提升GCNs的泛化能力。

该论文介绍了一种名为Label-Aware AutoAugment（LA3）的数据增强算法。LA3利用标签信息为不同样本制定增强策略，通过两阶段学习评估和排名增强方法，构建组合策略。在CIFAR-10、CIFAR-100上表现优异，并在ResNet-50上实现了ImageNet新的最高精度79.97%，计算成本低。

通过利用标签信息进行多模态情绪识别的新方法，学习每个话语的标签增强文本/语音表示，并设计了标签引导的注意融合模块，融合具有标签意识的文本和语音表示进行情绪分类。实验证明该方法优于现有基线并取得了最佳性能。