针对你这个带有明确互斥类别、且90%样本为单标签的多标签分类场景，我来拆解下两种方案的优劣和适用情况：

一、你当前的独立分类器方案（按互斥组拆分模型） #

优势 #

• 天然满足互斥约束：每个互斥类别组单独训练一个分类器（比如互斥的A/B/C就用三分类模型），从模型逻辑上直接避免了同时预测多个互斥标签的问题，不需要额外加规则或约束，实现和调试都很直观。
• 适配单标签主导的场景：因为大部分样本是单标签，独立分类器的训练目标更聚焦于单类别判断，不会被多标签的复杂关联分散注意力，对于互斥组内的单标签样本，预测精度往往更稳定。
• 高可解释性与易调优：每个模型只负责一组类别，当某个类别预测出错时，能快速定位到对应的分类器，针对性地调整数据或模型参数，排查问题成本低。
• 资源分配灵活：可以根据不同互斥组的样本量、类别复杂度灵活选择模型结构——比如样本少的小组用轻量模型，样本多的大组用更复杂的模型，避免资源浪费。

劣势 #

• 丢失跨组类别关联：如果存在非互斥的类别（比如X和Y可以共存），独立分类器无法学习到它们之间的共现依赖关系（比如有X的样本更可能有Y），可能导致整体预测性能打折扣。
• 训练与部署成本偏高：互斥组越多，需要维护的模型数量就越多，训练时要分别调参，部署时要管理多个模型实例，推理阶段也要依次跑多个分类器，耗时更长。
• 多标签样本适配性弱：对于同时属于多个非互斥组的多标签样本，独立分类器各自为政，没法利用类别间的协同信息，可能导致部分标签的预测概率偏低或不准确。

二、联合分类器方案（单模型输出所有标签，加入互斥约束） #

这里的联合分类器指的是用单个模型一次性输出所有标签的概率，再通过损失函数约束或后处理来保证互斥规则的方案。

优势 #

• 捕捉全局类别依赖：不管是互斥还是非互斥的类别关联，模型都能从数据中学习到——比如非互斥类别X和Y的共现规律，这对多标签样本的预测提升尤为明显。
• 训练与部署更简洁：只用维护一个模型，训练时统一优化所有标签的目标，部署时只需要一个实例，推理效率更高，尤其适合标签数量不太多的场景。
• 扩展性更强：后续新增非互斥类别时，只需要调整模型输出层和训练数据，不需要新增模型，迭代成本低。

劣势 #

• 互斥约束需额外处理：原生的多标签模型（比如用BCE损失的模型）不会自动识别互斥关系，必须手动添加约束：
  • 要么在后处理阶段过滤：对每个互斥组，只保留概率最高的标签（超过阈值则保留），其他置为0；
  • 要么在损失函数中加正则项：比如对每个互斥组，计算组内所有正标签概率的平方和作为惩罚项，加到总损失里，惩罚同时预测多个互斥标签的行为。
    这两种方式都需要额外开发和调试，复杂度比独立分类器高。
• 单标签样本可能受干扰：因为模型要兼顾多标签的训练目标，对于占比90%的单标签样本，可能不如独立分类器的目标那么聚焦，互斥组内的单标签判断可能出现概率分散的情况，影响精度。
• 模型复杂度更高：当标签总数较多时，模型输出层维度大，需要更多的训练数据和计算资源，否则容易出现过拟合。

三、适用场景建议 #

• 如果你的业务中互斥类别组数量多，且非互斥类别间的关联很弱，同时单标签样本的精度是核心指标，那当前的独立分类器方案是更稳妥的选择，简单可靠，能保证互斥规则不被打破。
• 如果非互斥类别间的关联对业务很重要，或者多标签样本的占比虽低但价值很高，未来还可能新增更多非互斥标签，那可以尝试联合分类器方案，但一定要做好互斥约束的处理：优先试试后处理过滤的方式（实现简单），如果效果不够理想再考虑损失函数加正则的方案。

内容的提问来源于stack exchange，提问作者Stephen