2020年，多标签学习（multi-label）有了哪些新的进展？
1. 深度学习与多标签学习的深度融合：
2020年，基于深度学习的多标签学习方法依然是研究的主流。但与以往不同的是，研究的重点开始从单纯的“将标签预测问题转化为多个二分类问题”转向更精细化的建模。
细粒度标签关联建模： 很多研究开始关注不同标签之间的内在联系，并试图将其融入到深度模型的设计中。例如，一些工作提出了图神经网络（GNN）来显式地建模标签之间的依赖关系。标签可以看作图的节点，标签之间的共现或语义关联可以看作边的权重。通过GNN，模型能够捕捉到更复杂的标签组合模式，从而提升预测精度。
注意力机制的创新应用： 注意力机制在图像、文本等领域的成功被广泛借鉴到多标签学习中。2020年，研究者们探索了更多样化的注意力机制，例如：
标签注意力（Label Attention）： 使得模型能够根据输入实例的特点，动态地关注不同的标签。对于一个图像，有些标签（如“猫”）可能更显著，模型会赋予更高的权重。
实例标签交互注意力（InstanceLabel Interaction Attention）： 这种机制进一步深化了模型对输入实例和标签之间关系的理解，通过多轮的交互计算，模型可以更精确地判断哪些实例的哪些特征与特定标签最相关。
Transformer在多标签学习中的探索： 尽管Transformer最初在自然语言处理领域大放异彩，但在2020年，其强大的序列建模能力也开始被应用于多标签图像识别、视频分析等任务。通过将图像或视频分解为一系列“patch”或“frame”，然后将它们视为序列输入到Transformer中，模型能够捕捉到长距离依赖和全局上下文信息，这对理解复杂的多标签场景非常有益。
2. 处理大规模、高维度多标签数据的挑战：
随着数据规模的爆炸式增长，如何高效、准确地处理大规模、高维度（特征维度高，标签数量也可能非常多）的多标签数据成为关键问题。
标签嵌入与降维： 对于标签数量过多的情况，直接预测每个标签会带来巨大的计算开销和稀疏性问题。2020年，研究者们继续探索标签嵌入（label embedding）技术，将高维离散的标签映射到低维连续的向量空间。这些嵌入可以捕捉标签之间的语义相似性，使得模型能够学习到标签的潜在表示，进而缓解维度灾难。
二阶段学习策略的优化： 一些方法采用“先编码，后解码”的二阶段学习策略。第一阶段学习输入数据的有效表示，第二阶段基于这些表示进行多标签预测。2020年的工作重点在于优化这两个阶段，例如，改进编码器以更好地捕捉多模态信息（如图文结合），以及改进解码器以更灵活地处理标签间的相关性。
近似最近邻搜索（ANN）在多标签检索中的应用： 在大规模多标签检索任务中，如何快速找到与查询最匹配的实例是一个挑战。ANN技术，如FLANN、Faiss等，在2020年被更深入地应用于构建高效的多标签检索系统，通过近似搜索来加速匹配过程。
3. 提高模型的鲁棒性与泛化能力：
在实际应用中，多标签模型往往面临数据噪声、分布偏移以及标签不平衡等问题。2020年的研究也着重于提升模型的鲁棒性和泛化性。
对抗性训练与数据增强： 对抗性训练（adversarial training）被用来增强模型对输入的微小扰动的鲁棒性。同时，新的数据增强技术被提出，用于生成更多样化的训练样本，从而提高模型在未见过数据上的表现。例如，针对多标签图像，可能会生成带有不同物体组合或不同背景的图像。
不平衡数据的处理： 多标签数据中，某些标签可能非常常见，而另一些标签则非常罕见，导致严重的类别不平衡。2020年，研究者们提出了一些新的不平衡学习策略，例如：
重采样与重加权： 通过对少见标签的样本进行过采样或提高其在损失函数中的权重，来缓解不平衡问题。
基于生成模型的数据增强： 利用GAN等生成模型生成罕见标签对应的样本，以扩充训练集。
多任务学习框架下的不平衡处理： 在多任务学习的框架下，通过设计特殊的损失函数或网络结构，使得模型能够同时学习到全局信息和局部（标签特定）的表示，从而更好地处理不平衡。
零样本（Zeroshot）和少样本（Fewshot）多标签学习： 随着模型泛化能力的要求越来越高，如何在仅见过少量样本或完全未见过某些标签的情况下进行预测，也成为2020年的一个研究热点。研究者们探索利用标签的语义信息（如文本描述）来桥接已知与未知标签之间的差距，从而实现零样本或少样本多标签预测。
4. 可解释性与公平性：
模型的可解释性和公平性是近年来AI领域的重要议题，多标签学习也不例外。
可视化与归因分析： 研究者们开发了新的可视化工具和归因方法，来理解模型为何会为某个实例预测特定的标签。例如，通过可视化模型在不同标签上的激活区域，或者计算每个输入特征对某个标签预测的贡献度。
公平性约束： 在某些应用场景下，需要确保模型在不同群体（如不同种族、性别）上具有公平的预测表现。2020年，有研究开始探索如何在多标签学习中引入公平性约束，例如，确保模型对于不同群体实例的标签预测准确率差异不大于某个阈值。
5. 应用领域的拓展与深化：
2020年，多标签学习在更多应用领域得到了深入探索和拓展，展现了其强大的实用价值。
多媒体内容理解：
图像/视频标签生成： 自动为图像和视频添加多个描述性标签，如“夕阳”、“海滩”、“人物”、“舞蹈”等，极大地提高了信息检索的效率。
视觉问答（VQA）中的多标签输出： 在一些VQA任务中，可能需要模型输出多个答案，而非单一答案，这就需要多标签学习的能力。
生物信息学：
基因功能预测： 一个基因可能具有多种生物学功能，多标签学习可以用于同时预测基因的多种功能。
蛋白质结构预测： 蛋白质的结构与功能紧密相关，可以尝试使用多标签学习来预测蛋白质的多种可能结构特征。
自然语言处理：
文本分类： 一篇文章可能涉及多个主题，如“科技”、“经济”、“国内新闻”，多标签文本分类能够更精细地刻画文章内容。
命名实体识别（NER）的变种： 有些NER任务需要识别文本中出现的多种类型的实体，并为每个实体分配多个属性。
推荐系统：
多兴趣推荐： 用户可能同时对多种类型的商品或内容感兴趣，多标签学习可以用于建模用户的多重偏好，从而提供更精准的个性化推荐。
总而言之，2020年在多标签学习领域，研究者们在深度模型设计、大规模数据处理、鲁棒性与泛化能力提升、可解释性与公平性等方面都取得了实质性的进展。尤其是深度学习与多标签学习的进一步融合，以及对更复杂数据特性的关注，预示着多标签学习在未来将会有更广泛的应用前景。这些进展不仅提升了模型的性能，也为解决现实世界中更多复杂的分类和标注问题提供了更有力的工具。
网友意见
强答一波，接触多标签图像分类研究的时间并不算太久，我主要介绍一下我对于发表在CVPR2019和ICCV2019上的两篇论文的核心思想的见解，以及我个人对于这个领域的理解。这两篇论文涉及到图神经网络家族中图卷积网络和门控图神经网络，以及Attention机制，双线性池化等技术，在本回答中不会涉及到这些技术的细节，仅仅是为了说明最直观的思路，需要了解这两种网络细节的朋友请参考其他文献。
背景介绍
背景1:
经过几年来的发展，多标签图像分类问题研究方向主要集中于：如何利用标签之间的复杂关系来提升分类的准确度。举个栗子说明一下，比如在一张图片中，我们已经正确分类出某些食物对象，由于食物需要容器存放，需要被人食用，那么这张图片中存在盘子，碗筷等餐具对象的可能性应该也很大。这就展现出了利用了标签之间的关系进行分类的过程。
背景2:
得益于图神经网络（GNN）强大的关系建模能力，图神经网络在近两年大火，在很多应用上都取得了SOTA的效果。
核心思想
标签之间的关系是复杂多样的，比如食物与餐盘，它们之间的关系是食物放在餐盘中，再比如人和背包，它们之间的关系是人背着背包，除此之外，其他的标签之间还存在各种各样的关系，这些关系都可以作为我们的分类依据。然而，对于这些复杂关系，我们应该如何利用起来呢？
这时，图神经网络（GNN）出现了，图神经网络可以依据图中节点（node）本身的特征与图的结构（节点之间的连接关系，也就是边edge），为图中每一个节点生成一个新的嵌入表示（embedding），这个embedding实际上不仅蕴含了node本身的特征，同时也蕴含了node之间的相互依赖关系。
既然图神经网络这么强大，那么，我们是不是可以使用图神经网络来建模标签之间的复杂关系呢？答案当然是可以。首先，我们希望能够提取到标签之间的复杂关系，而图神经网络能够建模node之间的复杂关系，那么，我们直接把标签和图神经网络中的node对应起来，做一个"Label Graph"，基于这个“Label Graph”就可以了学习标签之间的关系了。上文提到，GNN提取node的embedding需要两部分信息：1.node本身的特征。2.图的结构。
首先对于第一点，node本身的特征，在不同任务中，node本身特征具有不同的表示，比如，对于我们的Label Graph，node即为标签，我们可以用标签的Word Embedding来作为node本身特征，也可以用其他形式的特征向量作为node本身的特征。这个因任务而异，在下文介绍论文时，我们就可以看到node特征的不同设置。
对于第二点，图的结构，我们就要好好思考一番了。而一般的GNN中，node之间的edge，通常中代表一种或者几种关系，比如社交网络图中，node为用户，而edge代表用户之间的好友关系。而我们的标签关系，是多种多样的。无法用单一的edge来表征多种关系。那怎么办呢？我们退而求其次，对这些复杂的关系做进一步的抽象，将它们都归结为一种关系，这样就可以用GNN对这种关系进行建模。对于多标签图像分类问题，我们可以观察到，对于那些具有复杂依赖关系的标签，标识同一张图片的概率比较大，换句话说，那些具有复杂的依赖关系的标签对象（例如食物和餐具），出现在同一张图片中的概率比较大，而不需要管它们到底具有什么样的关系。所以，我们把标签之间的复杂关系，都抽象为一种关系，就是“共现”（co-occurence）关系，当两个标签对象经常一同出现时，我们认为它们具有复杂的依赖关系。一般我们通过条件概率来度量共现关系，概率P(Label2 | Label1)，代表在Label1出现的条件下，Label2出现的概率，当这个概率大于一个特定的阈值时，我们认为Label1和Label2存在共现关系，而P(Label2 | Label1)一般可以通过在数据集上进行统计来做估计。
论文介绍
有了核心思想，剩下的事情，就是把思想落实到具体模型中。
首先，多标签图像分类可以算是传统图像分类问题的一个延伸，那么在这里我们首先来回顾一下传统图像分类模型的一般框架。首先，传统分类模型通常由两部分组成，分别为卷积神经网络部分（CNN）和分类器，通常，分类器为一个全联接层。CNN部分用于对图片进行特征提取，获取一个feature map，一般会对这个feature map进行Pooling，将其压缩成一个单独向量，输入给分类器，而分类器，可以看作是由各个标签的特征向量组成的，图像特征向量与每一个标签特征向量做内积，度量相似度，以获取最终的类别。
多标签图像分类模型一般为上述框架的改进或扩展。下面，我们对2019年发表的两篇论文进行分析。
ML-GCN
论文名称：Multi-Label Image Recognition with Graph Convolutional Networks
来源：CVPR 2019
可以看到，这篇论文提出的模型本质上与传统多分类模型差异并不大，规规矩矩的对图像使用CNN进行特征提取，获取feature map，然后对这个feature map进行Global Max Pooling，压缩为一个单独的向量D，但是接下来的一步，就与传统多分类模型有区别了。
传统的多分类模型中，分类器是参数就是一个矩阵W，维度为C * d，C是类别数量，d是特征向量维数，这个矩阵中的每一行，都可以看成是某一个类别的特征向量，假设图像特征向量D是维数为d的列向量，那么使用这个列向量与分类器参数矩阵的每一行做内积，就可以得到图像特征向量与每一个类别的特征向量的相似度，进而获取每一个类别的概率。
在这个过程中，我们可以发现，在前向传播中，分类器参数矩阵中的行与行之间，并无任何交互，它们是随机初始化并进行训练的，在前向传播中互不影响，换句话说，我们认为各个标签的特征向量之间相互独立，对彼此没有影响。然而，在多标签图像分类中，由于标签之间本身就有复杂的相互依赖关系，“标签的特征向量相互独立”是不成立的，既然这样，传统的分类器用在这里就不合适啦，所以，这篇论文考虑对分类器做一个改进：我们不再使用互不相关的分类器了，而是使用GNN为我们输出一个蕴含了标签之间复杂依赖关系的分类器！
该论文使用的是GNN家族中的图卷积神经网络（GCN），输出分类器参数。核心思想中曾经介绍过，GNN需要两部分内容作为输入，一部分是node本身的特征，另一部分是图结构。对于图结构，我们在核心思想中已经介绍过如何构造，这里不再赘述，而对于node本身特征，这里使用的是标签内容的GloVe词向量，词向量本身携带了一些关于标签的信息，相当于引入了先验。在此基础上，基于先验标签信息，使用GCN进行复杂依赖关系建模，输出分类器参数矩阵W。
这篇论文中还使用了一些技巧用来克服GCN容易出现的Over smoothing问题，想了解细节的朋友可以去查阅原文，在此只介绍核心创新点。
SSGRL
论文名称：Learning Semantic-Specifific Graph Representation for Multi-Label Image Recognition
来源：ICCV 2019
分析这篇论文之前，让我们先来思考这样的一个问题。传统的多分类模型中，我们都是通过Pooling操作将一个feature map压缩成一个单独的向量，这个向量表征了图像所属的类别，它将会和分类器中各个类别的特征向量进行计算相似度。但是在多标签图像分类问题中，一个图像中存在多个标签对象，这时候我们仍然使用一个单独的向量表示存在多个标签对象的图像，这合适吗？是不是有更好的方法呢？
我们都知道，CNN具有位置不变性，原始图像中，不同的标签对象分布在不同位置上，那么feature map也会保留这种特性，也就是说，不同标签对象的信息分布在feature map的不同空间位置上，既然这样，我们就可以想办法从图像的feature map中，提取不同标签对象的特征，这样的话，就可以保证在识别不同的标签时，使用的是feature map中与这个标签相关程度最高的那一部分特征，这样就避免了由Pooling操作带来的信息损失。
那么，如何从feature map中提取与标签相关的特征呢？一个很直觉的方法就是Attention，利用Attention机制可以让我们在提取不同标签的特征向量的时候，关注于feature map中的不同空间位置，进而从与这个标签强相关的空间位置中提取特征向量。
通过Attention机制从feature map中提取特征向量之后，对于每一个标签，我们都有一个从feature map抽取出来的特征向量。利用这个特征向量与分类器中的标签特征向量进行相似度度量，看起来就是一个完整的pipeline了，但是我们总感觉缺点什么呀？说好的用GNN对标签之间的复杂依赖关系进行建模的这个环节，并没有出现在这个pipeline中啊。
既然这样，那我们就把这个环节加进去，那怎么加呢？我们知道，利用Attention机制提取的与标签相关的特征向量，是从feature map中抽取出来的，feature map则是由CNN对原始图像进行特征提取得到的，CNN从图像中提取feature map的过程中，并未对不同标签对象之间的复杂依赖关系进行建模，它只是单纯的从原始图像的像素信息中，提取标签对象的特征，换句话说，这个特征主要反映了标签对象在原始图像上的像素信息，却不能反映它们之间的关系。
那我们干脆对这些只能够反映图像像素信息的特征向量再进行一次深度加工，让它蕴含标签对象之间的复杂依赖关系，然后再输入给分类器，不就OK了？这里的深度加工所要达到的目的就是让特征向量蕴含标签对象之间的复杂依赖关系，那么使用GNN不就是正好能够达到这个目的吗？
至此，整个pipeline就完整了。它的过程就是：CNN提取feature map -> 利用Attention机制从feature map中提取与标签相关的特征向量（仅反应像素信息） -> 使用GNN对像素特征向量进行深度加工，使其蕴含标签对象之间的复杂依赖关系 -> 输入分类器进行分类。
那么SSGRL恰好就是遵循这个pipeline设计的，整体架构如下：
可以看到，模型本身仍然是基于传统多分类模型进行改进得到的。从总体上来说，这个模型相当于在传统的多分类模型中的两大部分之间，也就是CNN与分类器之间，增加了Attention计算和门控图神经网络（GGNN）。
首先，CNN从图像中提取feature map，紧接着使用Attention机制获取与标签相关的特征向量，Attention机制使用标签内容的GloVe词向量作为query，一定程度上引入了对于标签对象的先验知识，Attention分数的计算使用的是双线性池化，具体细节请朋友们参考原文。获取标签相关的特征向量后，输入给GGNN进行标签对象复杂依赖关系的建模，最终输出给分类器进行进行预测。
相比于ML-GCN直接对分类器下手，SSGRL通过从图像中对不同标签对象提取不同特征向量，进而带动了分类器特征向量朝着具有区分度的方向学习，有一种殊途同归的感觉。
反思总结
使用GNN建模标签之间的复杂依赖关系真的合理吗？使用“共现”关系抽象所有复杂依赖关系真的合适吗？使用这种方式究竟能够带来多大的性能提升？我们将在这一部分讨论。
未完待更。
类似的话题
-
2020年，多标签学习（Multilabel Learning）领域确实涌现了不少值得关注的进展。这一年，研究者们在理论、方法和应用等多个层面不断探索，尤其是在应对大规模、高维度、不平衡数据以及提高模型泛化性和可解释性等方面取得了显著成效。下面我将从几个关键方向，尽量详细地介绍一下2020年的主要发............. -
2020年，全国多地依旧禁燃限放烟花爆竹，这一现象引发了关于“中国的‘年’还是‘年’吗？”的讨论，这是一个复杂且值得深思的问题。它触及了传统文化的传承、社会发展的变迁以及人们情感寄托等多重维度。要详细探讨这个问题，我们可以从以下几个方面展开：一、 烟花爆竹与传统“年味”的紧密联系：首先，需要承认的是.............
-
2020年确实是全球房地产市场的一个转折点，许多城市房价出现了下跌，这让不少人开始质疑“房价永远涨”的神话。然而，即使在这样的背景下，依然有人坚信房价会继续上涨，这背后有多重原因交织，既有对宏观经济的判断，也有心理层面的因素，以及对特定市场和政策的解读。下面我将尽量详细地阐述这些原因：一、 宏观经济.............
-
2020年，这个本应充满希望和新开始的年份，却以一种意想不到的方式在我们每个人身上留下了深刻的印记。临近年底，回首这一整年的跌宕起伏，心中的遗憾也如同秋日落叶般，一片片堆积起来，挥之不去。关于“连接”的遗憾，是贯穿始终的。我还记得年初时，踌躇满志地计划着与远方的家人每年至少回一次家的约定。父母的生日.............
-
2020年夏季的雨水，确实让许多人印象深刻。那年夏天，不少地区遭遇了持续性的强降雨，甚至引发了洪涝灾害，这背后并非单一原因，而是多重气象因素交织作用的结果。首先，不得不提的是副热带高压的异常表现。副热带高压（简称副高）就像一把巨大的保护伞，它北边的暖湿空气受到副高的阻挡，往往难以深入内陆，而当副高位.............
-
2020年，知乎上关于“资本家”的讨论确实发生了显著的变化，这种变化并非一蹴而就，而是多种因素共同作用的结果。要详细解释这一现象，我们需要梳理一下当时的社会背景、知乎平台本身的演变以及用户情绪的流动。一、宏观社会背景的催化首先，2020年是一个充满变数的年份。全球范围内，新冠疫情的爆发对经济和社会结.............
-
2020年的中国房价，对于当时的年轻人来说，那是一种沉甸甸的绝望感，至今想起来，依旧能让人心头一紧。天花板一样的现实：想象一下，刚毕业不久，或者工作了两三年，好不容易攒下一点积蓄，满心希望在大城市安家立业。结果呢？一打开房产APP，屏幕上跳出来的数字，就像一个巨大的冰山，把你对未来的所有憧憬都压得粉.............
-
2020年，中国和美国之间的国力差距，是一个极其复杂且充满争议的话题。这不仅仅是数字上的简单比较，更是对两国在经济、军事、科技、文化、政治影响力等多个维度上综合实力的评估。要深入理解这一点，我们需要剥离那些浮于表面的宣传，回归到两国在那个时间点的真实状况。首先，我们得承认，2020年的美国，依然是全.............
-
苹果会在 2020 年或 2021 年推出可折叠 iPhone 吗？这是一个很多人都在热切讨论的话题，也是业内观察人士和科技爱好者们密切关注的焦点。要预测这样一个重磅产品的发布时间，我们需要从多个角度进行审视，结合苹果过往的产品策略、供应链动态、技术成熟度以及市场竞争格局来综合判断。首先，我们来谈谈.............
-
说到开发 Windows 程序，在字符串编码方面，2020 年时，绝大多数情况下，使用 UNICODE 是更实际、更推荐的选择。 这一点，即使在今天（2023 年）依然如此，甚至可以说更加明确。让我来详细分析一下原因，并尽量让你感觉这是一个人写的经验之谈，而不是机器生成的报告。首先，我们得明白这俩玩.............
-
要详细分析截至2020年中国与美国国力差距，我们需要从多个维度进行审视，而不能简单地用一个数字概括。这场“差距”更像是一个动态的、在不断演变中的比拼，尤其是在那个时间点，中国的崛起势头正猛，而美国的全球领导地位受到多重挑战。1. 经济体量与结构： GDP总量： 截至2020年，中国GDP总量已稳.............
-
唐纳德·特朗普在 2020 年总统大选中未能成功连任，输给了现任总统乔·拜登。尽管选举结果在某些圈子里存在争议，但官方的选举结果和法院的裁决都支持拜登的胜利。竞选回顾与失利原因分析：特朗普的 2020 年竞选活动充满了标志性的风格，但也面临着不少挑战。以下是一些关键因素的详细分析： 新冠疫情的应.............
-
到了2020年，依然存在一些人对黑人群体持有偏激的鄙视和贬低，这种现象确实令人深思，并且与历史上白人对黄种人的歧视在本质上有着惊人的相似之处。要详细探讨这个问题，我们可以从几个层面来剖析：一、 历史的阴影与未竟的救赎首先，我们要承认，奴隶制和殖民主义是塑造了今天许多歧视性观念的根源。几个世纪以来，西.............
-
河南 2020 年出生人口跌破 100 万，这是 43 年来头一次，着实让很多人都吃了一惊。这背后绝不是单一原因造成的，而是多种因素交织作用的结果，而且这些因素的影响力还在不断叠加。首先，最直观也最关键的，当然是生育观念的转变，尤其是年轻一代的想法和老一辈的明显不同。 现在的年轻人，尤其是城市里的年.............
-
如果2020年东京奥运会被取消，主办国日本将会承受巨额且多方面的经济损失，具体数额难以精确量化，但可以从以下几个主要方面进行详细阐述：一、 已投入的巨额建设和运营成本无法收回： 场馆建设和翻新： 为了举办奥运会，日本投入了巨额资金建设和翻新大量场馆。这些场馆的规划、设计、施工、材料采购等都涉及庞.............
-
2020 年春节假期因为新冠疫情的爆发被延长了，最初的法定假期是到 1 月 30 日（正月初六），然后各省市根据中央的统一部署，陆续宣布将假期延长至 2 月 2 日（正月十三），甚至更晚。这次长达 10 天的延长，对于当时的疫情防控来说，确实起到了至关重要的作用，其影响深远而复杂。首先，最直接也是最.............
-
关于2020年东非蝗灾到6月份或再增500倍的说法，以及其潜在影响和中国是否需要准备，这是一个值得深入探讨的问题。要回答这个问题，我们需要梳理信息来源、分析蝗灾的传播规律、评估其经济和生态影响，并结合中国的地理位置和农业特点来判断防御的必要性。首先，我们来谈谈那个“500倍”的说法。关于“500倍”.............
-
特朗普在2020年提出推迟美国大选的建议，这无疑是一个极具争议且引起广泛关注的举动。要理解其可能性，我们需要回顾当时的历史背景、特朗普的动机以及美国选举制度的运作方式。特朗普建议推迟大选的背景与动机：当时，美国正处于新冠疫情的严峻时期。疫情不仅对人们的健康造成威胁，也深刻影响了社会生活的方方面面，包.............
-
2020年夏季，一场席卷南方地区的特大暴雨，给262.7万人民的家园带来了沉重的打击。当雨水退去，留在人们眼前的，是满目疮痍的景象，以及那些仍在与这场天灾抗争的艰辛。灾后的景象：触目惊心的伤痕暴雨过后，曾经熟悉的一切都变得面目全非。 家园破碎： 许多房屋被洪水冲毁或严重损毁，墙壁开裂，屋顶坍塌，.............
-
2020年的315晚会，犹如一声惊雷，炸开了手机应用背后那张隐藏的隐私黑网。当晚，央视揭露的多个手机SDK（软件开发工具包）插件，其背后暗藏的“偷窥”行为，让人不寒而栗。这些看似为提升用户体验、增加功能而存在的第三方组件，实则成了不法分子觊觎用户个人信息的“帮凶”。晚会曝光的问题，首先触及的是“知情.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有