Großskalige Datensätze für die mehrfach-label-Klassifikation sind üblicherweise – und möglicherweise unvermeidlich – teilweise annotiert, d. h., pro Beispiel werden nur eine kleine Teilmenge der Labels annotiert. Verschiedene Ansätze zur Behandlung fehlender Labels führen zu unterschiedlichen Eigenschaften des Modells und beeinflussen dessen Genauigkeit. In dieser Arbeit analysieren wir das Problem der teilweisen Annotation und schlagen eine Lösung basierend auf zwei zentralen Ideen vor. Erstens sollten nicht annotierte Labels selektiv behandelt werden, basierend auf zwei Wahrscheinlichkeitsgrößen: der Klassenverteilung im gesamten Datensatz und der spezifischen Label-Wahrscheinlichkeit für ein gegebenes Datenelement. Wir schlagen vor, die Klassenverteilung mittels eines speziell dafür entwickelten temporären Modells zu schätzen, und zeigen, dass diese Methode gegenüber einer naiven Schätzung, die auf den partiellen Annotationen des Datensatzes basiert, eine verbesserte Effizienz aufweist. Zweitens betonen wir während des Trainings des Zielmodells den Beitrag annotierter Labels gegenüber ursprünglich nicht annotierten Labels durch die Verwendung einer speziell konzipierten asymmetrischen Verlustfunktion. Mit unserem neuartigen Ansatz erreichen wir state-of-the-art-Ergebnisse auf dem OpenImages-Datensatz (z. B. 87,3 mAP auf V6). Zudem belegen Experimente auf LVIS und simuliertem-COCO die Wirksamkeit unseres Ansatzes. Der Quellcode ist unter https://github.com/Alibaba-MIIL/PartialLabelingCSL verfügbar.