El mecanismo de aprendizaje de etiquetas es difícil de integrar en el modelo de entrenamiento del problema de reducción de dimensionalidad del espacio de características multi-etiqueta, lo que hace que los métodos actuales de reducción de dimensionalidad multi-etiqueta se basen principalmente en modos de supervisión. Muchos métodos solo se centran en las correlaciones de etiquetas e ignoran las interrelaciones de instancias entre el espacio de características original y el espacio dimensional bajo. Además, muy pocas técnicas consideran cómo restringir la matriz de proyección para identificar características específicas y comunes en el espacio de características. En este documento, proponemos un nuevo enfoque de aprendizaje de reducción de dimensionalidad multi-etiqueta semi-supervisado por correlaciones de instancias y etiquetas (SMDR-IC, en resumen). En primer lugar, reformulamos MDDM que incorpora correlaciones de etiquetas como un problema de mínimos cuadrados para que el mecanismo de propagación de etiquetas pueda integrarse eficazmente en el modelo. En segundo lugar, investigamos correlaciones de instancias utilizando la técnica de vecino más cercano, y luego presentamos los términos de regularización de la norma L1 y la norma L2 para identificar las características específicas y comunes del espacio de características. Los experimentos en los extensos conjuntos de datos públicos multi-etiqueta muestran que SMDR-IC tiene un mejor rendimiento que otros métodos relacionados de reducción de dimensionalidad multi-etiqueta.