本文介绍了一种新型标签噪声类型，称为 BadLabel，旨在增强现有 LNL 算法的鲁棒性，并提出了一种基于对抗性的鲁棒 LNL 方法来解决 BadLabel 的问题，实验证明该方法能有效地提高模型的泛化性能。

May, 2023

本研究构建了最大的 NLP 基准 NoisywikiHow，用于学习真实世界中存在噪声标签的情况。该基准数据集通过模拟人类误差构建多个标签噪声来源，并提供多种噪声水平，以支持对含噪数据进行控制实验，并为对学习噪声标签方法（LNL）进行全面系统地评估提供了可能。

May, 2023

提出了邻域集合估计方法来弥合学习过程中可能产生的噪声标签带来的负面效果，实现清除嘈杂数据中的噪声标签，提取尽可能多的干净样本，从而提高模型性能，并用辅助技术来进一步优化模型。

Aug, 2022

本研究旨在寻找一种有效的解决方法，以应对在细粒度数据集上进行嘈杂标签学习 (LNL-FG) 的挑战，为此，研究人员提出了一种称为随机容限监督对比学习 (SNSCL) 的新框架，旨在通过促进可辨别表达形式来解决标签噪音问题。该方法综合了加权机制与避免插入噪声标签的动量联想队列，以及一种从生成的分布中对特征嵌入进行采样的高效随机模块。大量实验表明了 SNSCL 的有效性。

Mar, 2023

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

该研究论文通过机器学习的视角，提供了正式的 LNRL 定义并分析了噪声标签对深度学习模型性能的影响。在此基础上，将 LNRL 方法划分为三种不同方向，并讨论了各种分类的优缺点。论文旨在提高通过设计鲁棒的 LNRL 方法进行深度学习模型训练的效率，同时提出了一些其他研究方向。

Nov, 2020

研究了在长尾标签分布下标签噪声问题，提出了一种新的原型噪声检测方法及一个鲁棒的框架，该框架通过软伪标签技术和半监督学习算法进一步提高了泛化性能，并且在基准和真实数据集上表现优于现有基线模型，尤其是比 DivideMix 模型测试精度高出 3％。

Aug, 2021

本文介绍了一种新颖的基于联合消极和积极学习的方法 (JNPL)，该方法通过两个损失函数 (NL + 和 PL+) 对 CNN 进行训练，并通过简化 pipeline 过程实现对带有噪声标签的数据的高效分类任务。

Apr, 2021

本文提出了两种新的视频分析策略来处理噪声标签问题：一种基于特征的噪声标签检测轻量级通道选择方法，另一种构建干净与噪声实例关系以规范化模型训练的对比策略。实验结果表明，我们的方法在三个基准测试集上都优于现有基线，在 Mini-Kinetics 数据集上通过噪声对称 80％测试，噪声检测 F1-score 的提高率达到了 0.4％，分类准确度提高了 5％以上。

Dec, 2022

本文提出了一种名为 “SelNLPL” 的优化 CNNs 训练方法，在使用负训练法（NL）的基础上，选择性地使用正训练法（PL）来训练低噪声数据，从而实现对有噪声数据分类的准确性优化。

Aug, 2019