التعلم بتوزيع العلامات (LDL) هو إطار تعلم عام، يُعيّن لتوضيح حالة توزيع على مجموعة من العلامات بدلاً من علامة واحدة أو عدة علامات. الطرق الحالية للـ LDL إما أن لديها افتراضات محددة حول شكل التعبير عن توزيع العلامات أو قيود في التعلم التمثيلي، مثل عدم القدرة على تعلم الخصائص العميقة بطريقة شاملة. يقدم هذا البحث الغابات التي تعمل بالتعلم بتوزيع العلامات (LDLFs) - وهي خوارزمية جديدة للتعلم بتوزيع العلامات تعتمد على الأشجار القراربة القابلة للمفاضلة، والتي تتمتع بعدة مزايا: 1) يمكن للأشجار القراربة أن تمثل أي شكل عام لتوزيع العلامات من خلال مزيج من التوقعات في عقد الأوراق. 2) يمكن دمج التعلم للأشجار القراربة القابلة للمفاضلة مع التعلم التمثيلي. نحدد دالة خسارة تعتمد على التوزيع للغابة، مما يتيح تعلم جميع الأشجار بشكل مشترك، ونوضح أنه يمكن اشتقاق دالة تحديث للتوقعات في عقد الأوراق، والتي تضمن انخفاضًا صارمًا في دالة الخسارة، باستخدام تقنية الحد المتغير (variational bounding). تم التحقق من فعالية الـ LDLFs المقترحة في عدة مهام للـ LDL وفي تطبيق رؤية الحاسوب، مما أظهر تحسينات كبيرة على أفضل الطرق الحالية لـ LDL.