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

本文探讨了学习嘈杂标签所需的噪声转移矩阵的可辨识性，并通过 Kruskal 的可辨识性结果表明，对于一般情况下的实例级别的问题，识别噪声转移矩阵需要多个嘈杂标签的支持，此外，我们还展示了标签噪声转移的实例依赖性与统一的认识之间的联系，并提供了实证证据。

Feb, 2022

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

本文提出了一种基于可簇性条件的有效估计过程，使用邻域表示中的三阶共识即可准确估计唯一的转移矩阵，并证明了相比于使用锚点的方法，我们的方法使用的实例更多，具有更好的采样复杂度。

Feb, 2021

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

本文提出了一种基于总变差正则化的弱监督分类方法，不需要依赖于易错的含噪类后验预测，可以同时估计噪声转移矩阵和学习分类器。实验证明该方法在基准和实际数据集上的有效性。

Feb, 2021

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