Học máy thông thường chủ yếu giải quyết các vấn đề phân loại nhãn đơn, trong đó dữ liệu và các hiện tượng hoặc đối tượng tương ứng (thông tin nhãn) nằm trong mối quan hệ một đối một. Tuy nhiên, trong thế giới thực, dữ liệu và thông tin nhãn hiếm khi có mối quan hệ một đối một.

Do đó, trong những năm gần đây, sự chú ý đã tập trung vào vấn đề phân loại nhiều nhãn, liên quan đến dữ liệu có mối quan hệ giữa một-nhiều dữ liệu và thông tin nhãn. Ngoài ra, để học hiệu quả từ dữ liệu lớn thu được liên tục, khả năng học theo thời gian mà không phá hủy những thứ đã học trước đó cũng là điều cần thiết.

Một nhóm nghiên cứu của Trường Cao học Tin học Đại học Osaka Metropolitan đã phát triển một phương pháp mới kết hợp hiệu suất phân loại dữ liệu có nhiều nhãn với khả năng học hỏi liên tục với dữ liệu. Các thử nghiệm số trên bộ dữ liệu đa nhãn trong thế giới thực cho thấy phương pháp được đề xuất vượt trội so với các phương pháp thông thường.

Tính đơn giản của thuật toán mới này giúp dễ dàng tạo ra một phiên bản cải tiến có thể được tích hợp với các thuật toán khác. Do phương pháp phân cụm cơ bản nhóm dữ liệu dựa trên sự giống nhau giữa các mục nhập dữ liệu, nên nó được kỳ vọng là một công cụ hữu ích để xử lý trước dữ liệu lớn liên tục.

Ngoài ra, thông tin nhãn được gán cho từng cụm được học liên tục, sử dụng phương pháp dựa trên phương pháp Bayesian. Bằng cách học dữ liệu và học thông tin nhãn tương ứng với dữ liệu một cách riêng biệt và liên tục, cả hiệu suất phân loại cao và khả năng học liên tục đều đạt được.

Kết quả nghiên cứu được công bố trên tạp chí IEEE Transactions on Pattern Analysis and Machine Intelligence, ngày 19 tháng 12 năm 2022.