标签
本文提出 Multi-Label Agreement（MLA），这是一种用于评估多标签标注任务中标注者间可靠性的灵活框架，采用基于成对 Hamming 一致性的度量方法，并支持多种归一化选项，同时提供了相应的 Python 实现。
CARing 框架通过组合式语义 ID 与覆盖感知的强化学习奖励，优化大语言模型在多标签下次就诊诊断预测任务中的推理轨迹，并在 MIMIC-III/IV 数据集上超越所有基于 EHR 训练的基线模型。
本文介绍了一种弱监督多标签比例学习框架，用于使用SAR图像和多模态数据进行海冰类型预测，相比有监督基线实现了显著的准确性提升。
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MSB-GFM，一种用于跨领域多标签节点分类的多语义基图基础模型，通过将节点表示为语义基的自适应组合来解决语义纠缠问题。
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。