标签
提出了一种解析联邦学习框架，仅需一轮或两轮通信即可完成任务异构下的多标签医学图像分类，在ChestXray14数据集上以高达18.44的BACC和13.24的AUC分数优于现有方法。
该论文提出了标签影响传播（LIP）模型，该模型在图中分析和传播标签影响，用于多标签节点分类，在多种设置下持续优于现有最先进方法。
本文提出了一种零样本多标签主题分类框架，该框架通过每篇文章的知识图谱进行增强，并在十五个大语言模型和八个数据集上比较了四种基础变体及其图增强对应方法。研究发现，关键词增强分类性能最佳，图增强能提升小型模型的表现，但会降低大型模型的性能。
介绍了TADDLE，一种用于检测有缺陷的LLM生成同行评审的工具增强代理，以及一个包含50篇ICLR 2025论文的1800条评审的专家标注基准。该系统将检测分解为四个专门的分析工具，并使用两阶段半监督学习进行二元和多标签分类。
本文提出了一种基于检索的多标签法律标注方法，使用冻结的嵌入模型通过k近邻检索标签，实现了有竞争力的准确性、高数据效率，并从根本上消除了标签幻觉。