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。

该论文介绍了一种新的自动ICD编码方法，使用了基于Transformer的文本编码模型，并探索了将基本编码模型调整为Longformer或将文本分成块处理的方法。实验结果显示，该方法在ICD编码方面优于当前最先进的模型，并且标签嵌入有助于提高性能。该方法还导致适当校准的分类结果，可用于下游任务如数量化。

本文介绍了层次化标签注意力网络（HLAN）和标签嵌入（LE）初始化方法，用于提高自动化医学编码的性能和深度学习模型的可解释性。实验结果显示，HLAN在预测排名前50个编码时具有最佳的微观级别AUC和F1值，并能突出显示每个标签中最显著的单词和句子。LE初始化方法能够提升大多数深度学习模型的性能。

该论文介绍了一种新的自动ICD编码方法，使用了基于Transformer的文本编码模型，并探索了将模型调整为Longformer或将文本分块处理的方法。实验结果表明，该方法在ICD编码方面优于当前最先进的模型，并且标签嵌入有助于提高性能。该方法还导致适当校准的分类结果，可用于下游任务。

该研究使用3D GANs生成高保真度的3D物体，结合标签嵌入和颜色映射，能够同时在不同分类任务上训练模型。该解决方案在ICCV 2023 OmniObject3D Challenge中获得前3名。