应对深度学习算法中的劳动密集型标注成为一个瓶颈，处理不完美的标签日益受到关注，并成为一个活跃的研究领域。我们解决了学习带有噪声标签的问题，将其形式化为在嘈杂数据中找到结构化流行体的任务。在这个框架中，我们提供了一个合适的目标函数和一个基于两个期望最大化（EM）循环的优化算法。与两个 EM 循环相关的分离网络合作优化目标函数，其中一个模型用于区分干净标签和损坏标签，而另一个模型用于修复损坏的标签。这种方法最终得到了一个非坍塌的学习带噪声标签的飞轮模型。实验结果表明，在多个标准基准测试中，我们的算法在各种类型的标签噪声下取得了最先进的性能，并有显著的优势。