本文介绍了基于标签比例（LLP）的学习方法，通过训练数据中的特征向量集合和平均实例标签来训练实例分类器。使用LTFs能够有效学习线性阈值函数，并通过次高斯浓度界限估计均值和协方差矩阵来近似法向量。通过提供新的泛化误差界限，识别具有较低误差的假设LTF。

本文介绍了一种使用深度神经网络和新正则化层 Batch Averager 的方法，将有标注数据的深度神经网络转换为无标注学习的方法。作者通过 Twitter 用户的 tweets 和个人资料图片，预测 Twitter 用户的性别和种族 / 民族信息，并发现深度 LLP 方法在文本和图片分类方面均优于基线方法，并且协同训练算法可以将文本和图片分类的绝对 F1 值分别提高 4％和 8％。最后，采用文本和图片分类器的集合进一步平均提高了绝对 F1 值 4％。