本文提出了一种新的基于标签比例学习（LLP）的框架，旨在提升分类器性能。研究涵盖多个领域，介绍了新算法和实验设置，解决了现有方法的问题，并提供了大规模数据集和基准测试结果，以推动LLP技术的发展。

该文章提出了一种新的学习框架——经验比例风险最小化，旨在改进基于标签比例的学习算法，广泛应用于政治、营销、医疗和计算机视觉等领域。研究引入了半监督学习和一致性正则化，显著提升了分类器性能，并提出了新的实验设置和算法框架，改善了标签比例学习的效果。

本文研究了标签比例学习（LLP）模型在监督学习中的应用，提出新的学习框架和算法以提升分类器性能，适用于政治、营销和医疗等领域。同时，提出改进技术以解决标签噪声问题，并评估多种先进LLP技术在大规模数据集上的表现。