标签
XGBoost已更新，支持多类和多标签问题，无需为每个类或标签训练单独的模型，引入了Vector-Leaf Model。
本文提出了AHEAD，一种用于多类标签聚合的跨标注者学习框架，该框架使用图神经网络对标注者可靠性进行建模，在涵盖NLP、CV、视频和音频的10个真实世界数据集上实现了显著的准确性提升。
本文研究了标签噪声下鲁棒训练的损失函数对称化，提出了SGCE和alpha-MAE两种损失函数，它们在多类无铰链损失和平均绝对误差之间插值，具有理论保证和有竞争力的实证表现。