本研究探讨了长尾数据分布问题，分析了监督对比学习、稀有类样本生成器和标签分布感知边际损失等技术的协同作用，发现这些技术的结合能够提高尾类准确率，同时保持主导类性能，实现各类的均衡改进。

本研究提出了FedPALS模型，解决了联邦学习在标签分布不一致时的性能下降问题。实验结果表明，FedPALS在客户稀疏情况下优于传统方法，强调了目标意识聚合的重要性。

本研究提出了一种新框架I²LDL，解决不完整标签分布学习中标签不平衡的问题。通过低秩分解和稀疏成分，有效捕捉标签结构，实验验证了其效果和鲁棒性。

本文提出了一种名为正例与未标注多标签分类（PU-MLC）的新方法，通过在训练时直接丢弃训练集中的负标签来减少嘈杂的标签所带来的不良影响，并通过引入自适应重平衡因子和自适应温度系数来缓解标签分布中的灾难性不平衡和概率平滑问题。实验证明 PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显着的改进。