近日，人工智能、機(jī)器學(xué)習(xí)領(lǐng)域國際頂級(jí)期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）錄用劉威威教授研究組一篇論文，題目是“The Emerging Trends of Multi-Label Learning”。劉威威老師是該篇論文第一作者和唯一通訊作者。

現(xiàn)有的多標(biāo)簽Survey基本在2014年之前，主要有以下幾篇：1. Tsoumakas的《Multi-label classification: An overview》(2007) 2.周志華老師的《A review on multi-label learning algorithms》(2013) 3.一篇比較小眾的，Gibaja《Multi‐label learning: a review of the state of the art and ongoing research》（2014）。

時(shí)過境遷，從2012年起，AI領(lǐng)域已經(jīng)發(fā)生了翻天覆地的變化，Deep Learning已經(jīng)占據(jù)絕對(duì)的主導(dǎo)地位，我們面對(duì)的問題越來越復(fù)雜，CV和NLP朝著各自的方向前行。模型越來越強(qiáng)，我們面對(duì)的任務(wù)的也越來越復(fù)雜，其中，我們?cè)絹碓蕉嗟匦枰紤]高度結(jié)構(gòu)化的輸出空間。多標(biāo)簽學(xué)習(xí)，作為一個(gè)傳統(tǒng)的機(jī)器學(xué)習(xí)任務(wù)，近年來也擁抱變化，有了新的研究趨勢(shì)。因此，我們整理了近年多標(biāo)簽學(xué)習(xí)在各大會(huì)議的工作，希望能夠?yàn)檠芯空邆兲峁└咔罢靶缘乃伎肌ｊP(guān)于單標(biāo)簽學(xué)習(xí)和多標(biāo)簽學(xué)習(xí)的區(qū)別，這里簡單給個(gè)例子：傳統(tǒng)的圖片單標(biāo)簽分類考慮識(shí)別一張圖片里的一個(gè)物體，例如ImageNet、CIFAR10等都是如此，但其實(shí)圖片里往往不會(huì)只有一個(gè)物體，大家隨手往自己的桌面拍一張照片，就會(huì)有多個(gè)物體，比如手機(jī)、電腦、筆、書籍等等。在這樣的情況下，單標(biāo)簽學(xué)習(xí)的方法并不適用，因?yàn)檩敵龅臉?biāo)簽可能是結(jié)構(gòu)化的、具有相關(guān)性的（比如鍵盤和鼠標(biāo)經(jīng)常同時(shí)出現(xiàn)），所以我們需要探索更強(qiáng)的多標(biāo)簽學(xué)習(xí)算法來提升學(xué)習(xí)性能。本文的主要內(nèi)容有六大部分：Extreme Multi-Label Classification、Multi-Label with Limited Supervision、Deep Multi-Label Classification、Online Multi-Label Classification、Statistical Multi-Label Learning and New Applications。我們對(duì)這些部分進(jìn)行簡單的介紹，更多細(xì)節(jié)大家也可以進(jìn)一步閱讀Survey原文。另外，由于現(xiàn)在的論文迭代很快，我們無法完全Cover到每篇工作。我們的主旨是盡量保證收集的工作來自近年已發(fā)表和錄用的、高質(zhì)量的期刊或會(huì)議，保證對(duì)當(dāng)前工作的整體趨勢(shì)進(jìn)行把握，并提出一些可以繼續(xù)研究的問題和對(duì)這些問題的一些思考。

論文鏈接：https://arxiv.org/abs/2011.11197