En el ámbito de la clasificación multi-etiqueta, las correlaciones entre etiquetas desempeñan un papel crucial en mejorar la precisión de la predicción. Sin embargo, los métodos tradicionales dependen en gran medida de los conjuntos de etiquetas de verdad terreno, que pueden estar incompletamente etiquetados debido a los diversos antecedentes de los anotadores y al costo significativo asociado con la obtención de conjuntos de datos etiquetados extensos. Para abordar estos desafíos, este documento presenta un novedoso método de clasificación multi-etiqueta llamado actualización de Aprendizaje de Características Mejorado por Correlación (uCeFL), que extrae correlaciones entre etiquetas directamente de las instancias de datos, evitando la dependencia de conjuntos de etiquetas potencialmente incompletos. uCeFL calcula inicialmente una matriz de etiquetas revisada multiplicando la matriz de etiquetas incompletas con las correlaciones entre etiquetas extraídas de la matriz de datos. Esta matriz revisada se utiliza luego para enriquecer las características originales de los datos, permitiendo que una red neuronal aprenda representaciones mejoradas por correlación que capturan relaciones intrincadas entre características de datos, etiquetas y sus interacciones. Es importante destacar que las correlaciones entre etiquetas no son estáticas; se actualizan dinámicamente durante el proceso de entrenamiento de la red neuronal. Experimentos extensos realizados en varios conjuntos de datos enfatizan la efectividad del enfoque propuesto. Al aprovechar las correlaciones entre etiquetas dentro de las instancias de datos, junto con las capacidades de aprendizaje jerárquico de las redes neuronales, ofrece una mejora significativa en la clasificación multi-etiqueta, incluso en escenarios con etiquetas incompletas.