1 标记增强及标签分布学习
https://mp.weixin.qq.com/s/cXiR-UeJkcdkljJvE2eERw
http://palm.seu.edu.cn/xgeng/files/sc-info18.pdf
https://baijiahao.baidu.com/s?id=1687693358774525583&wfr=spider&for=pc
https://blog.csdn.net/weixin_42001089/article/details/113976181
2 我们已有的工作
COS-LDL: Label Distribution Learning by Cosine-Based Distance-Mapping Correlation
三角距离相关性的标签分布学习
融合标签结构依赖性的标签分布学习
李桂林的工作：探索标签和特征之间的因果关系
白润婷的工作：探索样本之间的相关性
容斌元的工作：（1）基于协方差的标签相关性
（2）基于深度学习的标签分布学习
樊俊的工作：基于热传导来计算聚类后同一簇样本标签之间的共有特征YYY。然后考虑共有特性YYY和独有特性LLL对标签增强的影响，公式如下：
W=αY+(1−α)LW = \alpha Y + (1 - \alpha)LW=αY+(1−α)L
在讨论过程中，我建议将公式改为：
W=αY+(1−α)WW = \alpha Y + (1 - \alpha)WW=αY+(1−α)W
李鹏程的工作：基于资源传导，利用样本的多标签信息，计算标签之间的转移矩阵PPP，再利用转移矩阵进行标签增强。
D(t)=αPD(t−1)+(1−α)LD^{(t)}=\alpha PD^{(t-1)}+(1-\alpha)LD(t)=αPD(t−1)+(1−α)L
熊炎雯的工作：？？？
陈源的工作：？？？
