近日，人工智能、机器学习领域国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）录用刘威威教授研究组一篇论文，题目是“The Emerging Trends of Multi-Label Learning”。刘威威老师是该篇论文第一作者和唯一通讯作者。

现有的多标签Survey基本在2014年之前，主要有以下几篇：1. Tsoumakas的《Multi-label classification: An overview》(2007) 2.周志华老师的《A review on multi-label learning algorithms》(2013) 3.一篇比较小众的，Gibaja《Multi‐label learning: a review of the state of the art and ongoing research》（2014）。

时过境迁，从2012年起，AI领域已经发生了翻天覆地的变化，Deep Learning已经占据绝对的主导地位，我们面对的问题越来越复杂，CV和NLP朝着各自的方向前行。模型越来越强，我们面对的任务的也越来越复杂，其中，我们越来越多地需要考虑高度结构化的输出空间。多标签学习，作为一个传统的机器学习任务，近年来也拥抱变化，有了新的研究趋势。因此，我们整理了近年多标签学习在各大会议的工作，希望能够为研究者们提供更具前瞻性的思考。关于单标签学习和多标签学习的区别，这里简单给个例子：传统的图片单标签分类考虑识别一张图片里的一个物体，例如ImageNet、CIFAR10等都是如此，但其实图片里往往不会只有一个物体，大家随手往自己的桌面拍一张照片，就会有多个物体，比如手机、电脑、笔、书籍等等。在这样的情况下，单标签学习的方法并不适用，因为输出的标签可能是结构化的、具有相关性的（比如键盘和鼠标经常同时出现），所以我们需要探索更强的多标签学习算法来提升学习性能。本文的主要内容有六大部分：Extreme Multi-Label Classification、Multi-Label with Limited Supervision、Deep Multi-Label Classification、Online Multi-Label Classification、Statistical Multi-Label Learning and New Applications。我们对这些部分进行简单的介绍，更多细节大家也可以进一步阅读Survey原文。另外，由于现在的论文迭代很快，我们无法完全Cover到每篇工作。我们的主旨是尽量保证收集的工作来自近年已发表和录用的、高质量的期刊或会议，保证对当前工作的整体趋势进行把握，并提出一些可以继续研究的问题和对这些问题的一些思考。

论文链接：https://arxiv.org/abs/2011.11197