《中國人工智能學會通訊》——9.15 标記分布學習特點

與 LDL 類似，也存在一些 SLL 或 MLL 算法為每個标記計算一個中間數值名額（例如機率、置信度、等級等） [1-3] 。LDL 主要在如下三個方面與這些學習算法有所差別。

（1）LDL 的每個訓練示例直接包含了标記分布，而不是單标記或多标記集的形式。标記分布直接來源于應用本身（資料的自然組成部分）；後者的數值名額根據資料由人工生成。

（2）後者根據标記的數值名額對标記進行排序，進而決策出相關标記，是以隻要标記的排序不變，那麼标記對應的實際數值名額大小并不重要，是以其最終目的在于劃分相關标記與無關标記。另一方面，LDL 關心的是整體标記分布，是以每個标記的描述度大小也很重要。

（3）後者的評價名額主要是常用的 SLL 名額（如精度、錯誤率等）與 MLL 名額（如漢明距離、覆寫範圍、排位損失等）。另一方面，LDL 算法的表現應該根據預測出的标記分布與真實的标記分布之間的相似性或距離進行評價。