采用逻辑神经网络学习归纳逻辑规则，得出高度可解释且具有灵活参数化以适应数据的规则。

Dec, 2021

这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

Mar, 2016

本文提出了一种基于 EM 算法和众包技术的神经网络训练模型，能够直接从多个标注者的嘈杂标签数据中进行有监督学习，并能够捕捉不同标注者的可靠性和偏见，最终在多个领域获得了新的最优结果。

Sep, 2017

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。

Jan, 2024

本文介绍 Differentiable Inductive Logic 框架，结合了 Inductive Logic Programming 和神经网络，非常高效地训练模型。该框架不仅支持传统 ILP 系统擅长的任务，而且对于噪声和训练数据中的错误表现出高鲁棒性。此外，它还可以与神经网络相连接以处理模糊非符号域的数据，同时提供超越单独使用神经网络所能达到的数据效率和泛化能力。

Nov, 2017

本文利用逻辑神经网络（LNNs）定义推理图，通过控制不需要执行的动作来加速强化学习的收敛速度，从外部知识源中实现无模型强化学习，我们的实验结果表明，相较于没有逻辑约束的模型自由强化学习方法，我们的方法收敛速度更快。

Mar, 2021

该研究介绍了一种利用特征空间中训练样例的相似性，鼓励每个样例预测与其最近邻居相似的学习方法，用于从带有噪声标签的数据中学习，并且在多个数据集上展现出良好的分类精度。

Feb, 2022

本文从理论上解释了小 LOSS 原则在处理噪声标签时的有效性，并基于此对其进行了形式化重新定义以更好地解决噪声问题。实验结果证明了我们的理论解释，并证明了重新定义后的小 LOSS 原则的有效性。

Jun, 2021

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

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