该研究提出了KMCL框架，通过高斯RKHS中的混合核进行多标签对比学习，以捕捉标签相关性并降低计算量。实验结果表明，KMCL在图像分类任务中优于现有方法，显著提升了分类性能。

本文研究了噪声多标签学习中类相关的转换矩阵的可辨识性，并提出了一种新的估计器，该估计器利用标签相关性而无需锚点或精确拟合噪声类后验概率。通过信息提取纯净标签相关性，并利用这些事件概率暗示的标签相关性的差异，证明了转换矩阵的可辨识性，并通过解决双线性分解问题获得转换矩阵。实验验证了估计器在估计多标签噪声转换矩阵方面的有效性，导致出色的分类性能。

本文提出了一种新的估计器，用于噪声多标签学习中的类相关转换矩阵的可辨识性。通过信息提取纯净标签相关性，证明了转换矩阵的可辨识性，并通过解决双线性分解问题获得转换矩阵。实验验证了估计器在估计多标签噪声转换矩阵方面的有效性，导致出色的分类性能。