面向有噪标签学习的概率端到端噪声校正
提出了一个深度学习神经网络的标签检查和修正方法，该方法结合了小损失选择和噪声校正的思想，采用两个不同的网络来通过小损失选择方法训练，并根据两网络的分类误差和同意误差的评估来度量训练数据的置信度，在真实和人工数据集上测试表明该方法优于基准方法。
Feb, 2022
本文提出了一种基于点噪声自适应学习（PNAL）框架的点云分割算法，包括一种基于历史预测的可靠标签点选择和一种投票策略的集群微调方法，有效解决了一些实际场景中存在的标签噪声问题。
Jul, 2021
通过基于新的师生网络架构 P-LC（伪标签校正）的方法，重新分配每个图像的标签，实现了对复杂噪声环境下深度学习模型的改进和性能提升，并引入噪声水平估计来评估模型性能和指导数据清洗流程。
Nov, 2023
该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。
May, 2017
该论文提出了一种全新的训练深度神经网络的方法，在标签噪音的情况下拥有高稳健性，通过利用小的可信集合来估计样本权重和伪标签以重复使用它们进行监督训练。该方法在各种类型的标签噪声和大规模真实世界标签噪声数据集上取得了最新的最优表现。
Oct, 2019
本文提出一种噪声容忍的训练算法，其中在传统梯度更新之前进行元学习更新来模拟实际训练。通过生成合成噪声标签进行训练，该元学习方法训练模型，以便在使用每个设置的合成噪声标签进行一次梯度更新后，模型不会过度拟合特定的噪声，从而提高深度神经网络的性能。
Dec, 2018
使用 CleanNet 作为联合神经嵌入网络的核心，我们在图像分类模型中学习标签噪声，通过较少的人工监督，仅验证一小部分类别即可降低训练模型的标签噪声误差，并通过多项实验验证了该算法在实际数据测试中的有效性。
Nov, 2017
本文提出了一种利用联合优化框架来学习深度神经网络参数和估算真实标签的方法，以克服在噪声标签数据集上进行训练导致性能下降的问题，实验结果表明该方法在解决 CIFAR-10 噪声数据集和 Clothing1M 数据集分类问题上优于其他最先进的方法。
Mar, 2018
本研究证明，基于深度神经网络的图像分类模型可以从含有数量远多于准确标签的训练数据中进行有效学习，表现出良好的测试性能提升，这种学习需要增加数据集大小作为代价。
May, 2017