《不完全多标签学习综述：最新进展与未来趋势》

文章预览

在现实中，数据往往与多个标签相关联，这使得多标签学习（Multi-Label Learning, MLL）成为一个突出的研究课题。过去的二十年见证了MLL的成功，这离不开完整和准确的监督信息。然而，在实践中获得这些信息总是费力的，有时甚至是不可能的。为了规避这一困境，不完整多标签学习（Incomplete Multi-Label Learning, InMLL）应运而生，旨在从不完整标记的数据中学习。迄今为止，大量的InMLL研究工作已被提出，以缩小与完整MLL的性能差距，然而，针对InMLL的系统性综述仍然缺乏。在本文中，我们不仅尝试填补这一空白，还努力为创新研究铺平道路。具体而言，我们回顾了InMLL的起源，分析了InMLL的挑战，并分别从数据导向和算法导向的角度对InMLL进行了分类。此外，我们还展示了InMLL在各个领域的实际应用。更重要的是，我们强调了几个潜在的未来趋势，包括四 ………………………………