本文介绍了多种新方法解决部分标签学习和多实例多标记学习问题，包括MIMLfast、NCPD和PiCO框架。这些方法通过优化损失函数、消歧策略和对抗学习等手段，提高了模型在复杂数据集上的性能和鲁棒性，实验结果显示优于现有算法。

本文研究了多种评分规则在概率预测模型中的应用，发现对数评分规则在高不确定性下表现优越，而球形评分规则在低不确定性下更佳。同时，提出了排序概率得分（RPS）作为医学图像分级的性能指标，并探讨了偏标记学习策略及其鲁棒性，提出了新颖的部分标签学习框架以应对大规模数据的计算复杂度。

本文介绍了一种新的合作分类器和相互监督范式，用于改进部分标签学习方法的性能和消歧能力。该方法能够识别和纠正错误标记的样本，并通过模糊机制来防止对特定标签的过度自信。实验证明，该方法显著提高了多种经典和基于深度学习的部分标签学习方法的性能。