L'apprentissage de la distribution des étiquettes (Label Distribution Learning, LDL) est un cadre d'apprentissage général qui attribue à une instance une distribution sur un ensemble d'étiquettes plutôt qu'une seule étiquette ou plusieurs étiquettes. Les méthodes actuelles de LDL présentent soit des hypothèses restrictives sur la forme d'expression de la distribution des étiquettes, soit des limitations dans l'apprentissage des représentations, par exemple, pour apprendre des caractéristiques profondes de manière end-to-end. Cet article introduit les forêts d'apprentissage de la distribution des étiquettes (Label Distribution Learning Forests, LDLFs), un nouvel algorithme d'apprentissage de la distribution des étiquettes basé sur des arbres de décision différentiables, qui présente plusieurs avantages : 1) Les arbres de décision ont le potentiel de modéliser toute forme générale de distributions d'étiquettes par un mélange de prédictions des nœuds feuilles. 2) L'apprentissage des arbres de décision différentiables peut être combiné avec l'apprentissage des représentations. Nous définissons une fonction de perte basée sur la distribution pour une forêt, permettant l'apprentissage conjoint de tous les arbres, et montrons qu'une fonction de mise à jour pour les prédictions des nœuds feuilles, garantissant une diminution stricte de la fonction de perte, peut être dérivée par bornage variationnel. L'efficacité des LDLFs proposés est vérifiée sur plusieurs tâches de LDL et une application en vision par ordinateur, montrant des améliorations significatives par rapport aux méthodes actuelles les plus avancées en LDL.