大規模なマルチラベル分類データセットは、一般的かつおそらく避けがたいこととして、部分的にラベル付けされている。すなわち、各サンプルについてラベルの小さな部分集合しかラベル付けされていない。ラベルの欠落を扱うための異なる手法は、モデルに異なる性質をもたらし、その精度に影響を及ぼす。本研究では、部分ラベル付け問題を分析した上で、2つの重要なアイデアに基づく解決策を提案する。第一に、ラベルが未ラベル付けされている場合でも、データセット全体のクラス分布と、特定のデータサンプルに対する各ラベルの尤度という2つの確率量に基づいて、未ラベル付けラベルを選択的に扱うべきである。本研究では、専用の一時モデルを用いてクラス分布を推定することを提案し、データセットの部分的ラベル付けに基づく単純な推定に比べて、その効率が向上することを示した。第二に、ターゲットモデルの学習過程において、元々未ラベル付けだったラベルよりもラベル付けされたラベルの寄与を強調するために、専用の非対称損失関数を用いる。本研究で提案する新規アプローチにより、OpenImagesデータセット（例：V6で87.3 mAPに達成）において、最先端の性能を達成した。さらに、LVISおよびシミュレートされたCOCOデータセットを用いた実験により、本手法の有効性が確認された。コードは以下のURLで公開されている：https://github.com/Alibaba-MIIL/PartialLabelingCSL。