Das Lernen unter reduzierten Label-Anforderungen, wie z. B. verrauschten Labels, partiellen Labels oder mehreren möglichen Label-Kandidaten – was wir generisch als unpräzise Labels bezeichnen – stellt eine weit verbreitete Herausforderung in maschinellen Lernaufgaben dar. Bisherige Ansätze neigen dazu, für jede neu auftretende Konfiguration unpräziser Labels spezifische Designentscheidungen vorzuschlagen, was jedoch meist nicht nachhaltig ist, wenn mehrere Formen der Unpräzision gleichzeitig auftreten. In diesem Paper stellen wir imprecise label learning (ILL) vor, einen Rahmen für die Vereinheitlichung des Lernens unter verschiedenen Konfigurationen unpräziser Labels. ILL nutzt das Erwartungswert-Maximierungs-Verfahren (Expectation-Maximization, EM), um die unpräzise Label-Information zu modellieren, wobei die genauen Labels als latente Variablen behandelt werden. Anstatt die korrekten Labels während des Trainings zu approximieren, berücksichtigt ILL die gesamte Verteilung aller möglichen Beschriftungen, die aus der unpräzisen Information folgen. Wir zeigen, dass ILL nahtlos auf partielle Label-Lernung, halbüberwachtes Lernen, verrauschtes Label-Lernen sowie insbesondere auf Mischformen dieser Ansätze angepasst werden kann. Bemerkenswerterweise übertrifft ILL bestehende spezifische Techniken zur Behandlung unpräziser Labels und markiert damit den ersten vereinheitlichten Rahmen mit robuster und effektiver Leistung in vielfältigen anspruchsvollen Szenarien. Wir hoffen, dass unsere Arbeit weitere Forschung auf diesem Gebiet anregt und das volle Potenzial von ILL in breiteren Anwendungsfällen freisetzt, in denen präzise Labels kostspielig und komplex zu beschaffen sind.