The aim of multi-output learning is to simultaneously predict multiple outputs given an input. It is an important learning problem for decision-making since making decisions in the real world often involves multiple complex factors and criteria. In recent times, an increasing number of research studies have focused on ways to predict multiple outputs at once. Such efforts have transpired in different forms according to the particular multi-output learning problem under study. Classic cases of multi-output learning include multi-label learning, multi-dimensional learning, multi-target regression, and others. From our survey of the topic, we were struck by a lack in studies that generalize the different forms of multi-output learning into a common framework. This article fills that gap with a comprehensive review and analysis of the multi-output learning paradigm. In particular, we characterize the four Vs of multi-output learning, i.e., volume, velocity, variety, and veracity, and the ways in which the four Vs both benefit and bring challenges to multi-output learning by taking inspiration from big data. We analyze the life cycle of output labeling, present the main mathematical definitions of multi-output learning, and examine the field's key challenges and corresponding solutions as found in the literature. Several model evaluation metrics and popular data repositories are also discussed. Last but not least, we highlight some emerging challenges with multi-output learning from the perspective of the four Vs as potential research directions worthy of further studies.

中文翻译：

---

多输出学习调查。

多输出学习的目的是在给定输入的情况下同时预测多个输出。这是决策中的一个重要学习问题，因为在现实世界中进行决策通常涉及多个复杂因素和标准。近年来，越来越多的研究集中在一次预测多个产出的方法上。根据正在研究的特定多输出学习问题，这种努力已经以不同的形式发生。多输出学习的经典案例包括多标签学习，多维学习，多目标回归等。从我们对该主题的调查中，我们感到惊讶的是，缺乏将多输出学习的不同形式归纳为一个通用框架的研究。本文通过对多输出学习范式的全面回顾和分析来填补这一空白。特别是，我们描述了多输出学习的四个Vs，即体积，速度，多样性和准确性，以及这四个Vs通过从大数据中汲取灵感而既受益又给多输出学习带来挑战的方式。我们分析了输出标签的生命周期，介绍了多输出学习的主要数学定义，并研究了该领域的主要挑战和文献中发现的相应解决方案。还讨论了几种模型评估指标和流行的数据存储库。最后但并非最不重要的一点是，我们从四个V的角度强调了多输出学习的一些新兴挑战，这是值得进一步研究的潜在研究方向。我们描述了多输出学习的四个Vs，即体积，速度，多样性和准确性，以及四个Vs通过从大数据中汲取灵感而既受益又给多输出学习带来挑战的方式。我们分析了输出标签的生命周期，介绍了多输出学习的主要数学定义，并研究了该领域的主要挑战和文献中发现的相应解决方案。还讨论了几种模型评估指标和流行的数据存储库。最后但并非最不重要的一点是，我们从四个V的角度强调了多输出学习的一些新兴挑战，这是值得进一步研究的潜在研究方向。我们描述了多输出学习的四个Vs，即体积，速度，多样性和准确性，以及四个Vs通过从大数据中汲取灵感而既受益又给多输出学习带来挑战的方式。我们分析了输出标签的生命周期，介绍了多输出学习的主要数学定义，并研究了该领域的主要挑战和文献中发现的相应解决方案。还讨论了几种模型评估指标和流行的数据存储库。最后但并非最不重要的一点是，我们从四个V的角度强调了多输出学习的一些新兴挑战，这是值得进一步研究的潜在研究方向。以及通过从大数据中获得灵感，四个V既受益又给多输出学习带来挑战的方式。我们分析了输出标签的生命周期，介绍了多输出学习的主要数学定义，并研究了该领域的主要挑战和文献中发现的相应解决方案。还讨论了几种模型评估指标和流行的数据存储库。最后但并非最不重要的一点是，我们从四个V的角度强调了多输出学习的一些新兴挑战，这是值得进一步研究的潜在研究方向。以及通过从大数据中汲取灵感，四个V既受益又给多输出学习带来挑战的方式。我们分析了输出标签的生命周期，介绍了多输出学习的主要数学定义，并研究了该领域的主要挑战和文献中发现的相应解决方案。还讨论了几种模型评估指标和流行的数据存储库。最后但并非最不重要的一点是，我们从四个V的角度强调了多输出学习的一些新兴挑战，这是值得进一步研究的潜在研究方向。文献中发现的主要挑战和相应的解决方案。还讨论了几种模型评估指标和流行的数据库。最后但并非最不重要的一点是，我们从四个V的角度强调了多输出学习的一些新兴挑战，这是值得进一步研究的潜在研究方向。文献中发现的主要挑战和相应的解决方案。还讨论了几种模型评估指标和流行的数据存储库。最后但并非最不重要的一点是，我们从四个V的角度强调了多输出学习的一些新兴挑战，这是值得进一步研究的潜在研究方向。