本研究分析了不同类型的标签噪声对深度学习的影响，提出了一种基于特征相关性的标签噪声生成方法，并提供了常用基准数据集的标签噪声以便其他研究人员测试其算法。

Mar, 2020

本文针对实例相关标签噪声的学习难题，基于人类认知的分解思想，采用基于部分的标签噪声来近似实例相关标签噪声，通过基于先验的锚点学习过程，结合各部分转移矩阵进行概率近似，得到超越现有方法的实验结果。

Jun, 2020

本文提出 CORES^2（COnfidence REgularized Sample Sieve）滤除具有实例依赖标签噪声的数据集中的错误标签样本，实现不需要确定噪声比率，可显著提高DNN模型的性能和训练效率。

Oct, 2020

该论文提出了一种理论测试，证明现实世界的数据集中的噪声不太可能是类条件噪声，而是实例依赖噪声。研究者们还提出了一种可控的实例依赖噪声生成算法和一种小型算法SEAL来应对这种噪声，并在各种噪声分数下表现出色，同时提高了在真实世界噪音基准Clothing1M上的泛化能力。

Dec, 2020

该研究提出一种二阶方法来处理深度神经网络训练中的标签噪音问题，使用此方法可以解决由任务难度引起的实例相关的噪音，提供一个新的损失函数来处理实例相关噪音，进而能够使用已有的类相关噪音的解决方案来处理该问题。

Dec, 2020

本文旨在提供对过拟合模型的影响的理解，例如深度神经网络如何记忆与实例相关的嘈杂标签，并分析现有方法处理这一问题的优缺点及对不同频率实例的影响。通过我们的分析，发现现有方法对不同频率实例的处理不同。因此，这项观察结果需要我们重新思考标签噪声分布以及对不同频率实例的不同处理。

Feb, 2021

本文提出了一种利用结构因果模型的生成方法来应对标签噪声的问题，证明了合理地建模示例有助于识别标签噪声转移矩阵，从而带来更好的分类器，该方法在合成和真实世界的标签噪声数据集上均优于所有最先进的方法。

Sep, 2021

提出一种能够有效提高 SOTA noisy-label learning 方法性能的新噪声标签学习图模型，该模型能够准确估计噪声率并用于训练过程的样本选择阶段。

May, 2023

针对学习时标签存在噪声的问题，本研究提出了一种新的生成式噪声标签学习方法，通过直接关联数据和干净标签、使用判别模型隐式估计生成模型、以及借鉴部分标签学习的信息性标签先验，解决了现有方法中的三个问题，实验证明该生成模型在保持计算复杂度与判别模型相似的情况下提供了最先进的结果。

Aug, 2023

使用易样本辅助选择难样本进行标签纠正从而实现去噪标签学习，并且在Instance-Dependent噪声数据集上展示出比其他最先进方法更出色的性能。

Jul, 2024