مسائل چندبرچسبه در حوزه های مختلف از جمله طبقه بندی خودکار داده های چندرسانه ای به وجود آمده اند و در زمینه بینایی ماشین و یادگیری ماشین مورد توجه قرارگرفته اند. اما روش های موجود به دو چالش اصلی، استخراج وابستگی بین برچسب ها و کمبود داده های برچسب گذاری شده و حتی برچسب های از دست رفته نمی پردازند، درحالی که استخراج همبستگی برچسب ها برای یادگیری چندبرچسبه بسیار مهم است. همچنین رویکردهای فعلی معمولاً با فرض اینکه همبستگی برچسب ها در همه موارد به اشتراک گذاشته شده است از همبستگی های برچسب سراسری استفاده می کنند. لذا در این پژوهش، مدل نیمه نظارتی تجزیه مبتنی بر همبستگی محلی، برای پوشش چالش های ذکر شده پیشنهاد شده است که اجازه می دهد همبستگی برچسب ها به صورت محلی مورد استفاده قرار داد. این مدل به صراحت پایه کمکی را برای یادگیری زیر فضای معنایی معرفی می کند و توانایی های تفکیک کنندگی آن را با استفاده از نمونه های برچسب دار و بدون برچسب تقویت می کند. به عبارت دیگر، برچسب نمونه های برچسب دار را به نمونه های بدون برچسب منتقل می کند. این روش پیشنهادی می تواند به طور مؤثر با مجموعه های مقیاس بزرگ مقابله و همبستگی برچسب ها را استخراج کند و پیش بینی های امیدوار کننده و بهتری نسبت به روش های نوین بدست آورد.
