本文研究了噪声多标签学习中类相关的转换矩阵的可辨识性，并提出了一种新的估计器，该估计器利用标签相关性而无需锚点或精确拟合噪声类后验概率。通过信息提取纯净标签相关性，并利用这些事件概率暗示的标签相关性的差异，证明了转换矩阵的可辨识性，并通过解决双线性分解问题获得转换矩阵。理论上，我们建立了多标签转换矩阵估计器的估计误差界限，并推导出我们的统计一致算法的泛化误差界限。实验上，我们验证了我们的估计器在估计多标签噪声转换矩阵方面的有效性，从而导致了出色的分类性能。

Sep, 2023

本研究提出一种学习时利用标签转移矩阵的方法，通过增加分类器的怀疑性来缓解标签错误纠正问题，并通过引入双头结构实现单个反向传播内每次迭代中高效地估计标签转移矩阵，结果表明该方法具有比现有方法更好的训练效率及相当或更好的准确性。

Nov, 2021

研究提出了一种新的元过渡学习策略，基于少量原始数据实现在不需要任何 anchor 点假设的前提下，改善了噪声标签对分类器参数和噪声转移矩阵的影响，并且证明了该方法在正确估计期望过渡矩阵方面具有统计一致性保证，该方法的实验表明其比先前的方法更准确地提取了过渡矩阵，尤其是在大的噪声情况下。

Jun, 2020

本文提出了一种不依赖基准点（anchor points）的端到端框架，通过同时优化两个目标：噪声标签与神经网络预测概率之间的交叉熵损失和转移矩阵列构成的单纯形的体积，识别转移矩阵和提高统计一致性。在基准数据集上的实验结果证明了方法的有效性和鲁棒性。

Feb, 2021

研究了标签噪声学习问题中的转移矩阵估计，基于人类任务标注时更加倾向于将外观相似的实例标注为同一类别的心理学和生理学证据，提出了 T（x）几何形状的假设，并利用流形嵌入技术来有效地减少了其自由度并使其在实践中稳定可估计。实验结果表明，该方法在处理具有挑战性 IDN 数据时优于现有方法。

Jun, 2022

本文提出了一种名为 dual-T estimator 的算法，通过中间类的引入，将原始的转移矩阵分解为两个易于估计的转移矩阵，避免了直接估计噪声类后验概率而导致的转移矩阵估计误差较大问题，并在理论分析和实证结果中证明了其对于转移矩阵的估计和分类性能的提高。

Jun, 2020

本文提出了一种信息理论方法来降低低质量特征的影响，用于识别和估计标签噪声转移矩阵，从而改进了噪声转移矩阵的估计，作者在多个任务下验证了该方法的必要性和有效性。

Feb, 2022

本文提出了一种名为 Matrix Smoothing 的方法，通过使用平滑过的转换矩阵来更新深度神经网络，以控制深度神经网络在概率建模中的过拟合，并在实验中证明了该方法不仅显著提高了概率建模的稳健性，而且甚至获得了更好的转移矩阵估计。

Mar, 2020

该研究提出了一种新的转移矩阵（cluster-dependent extended transition matrix）来更好地建模于混合 closed-set 和 open-set 的误差噪声（mixed label noise），并通过偏差不大的方法（extended T-estimator）来估计这个矩阵，实验证明这种方法在噪声建模方面表现更优于现有的方法。

Dec, 2020

本文探讨了直接对贝叶斯最优标签和噪声标签之间的转化进行建模的方法，并利用神经网络进行参数估计，从而提高了在标签噪声学习任务中的泛化能力和分类性能。

May, 2021