本文提出了一种新策略LIFT-SAP，旨在解决标签分布学习中标签特征有效性不足的问题。该策略通过引入结构锚点来捕捉聚类间的交互，实验结果表明其在多个真实数据集上优于现有算法，显示出处理标签歧义的潜力。

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。

本文研究了卷积神经网络在视觉任务中的成功，并提出了一种用于标签分布学习的通用框架。通过三角分布变换在骨干网络中实现不同的标签分布学习任务。实验证明，该方法在人脸年龄识别、照明色度估计和美学评估等方面取得了好的结果。

本文介绍了一种名为PhysFormer的基于transformer的架构，用于增强远程光电容积描记术（rPPG）的表示。通过标签分布学习和课程学习提供精细的监督，并在四个基准数据集上进行了实验，证明了其优越性能。