研究如何利用正向数据进行二分类器学习，提出了一种基于正向置信度的分类器，命名为正向置信度（Pconf）分类，提供了一个基于经验风险最小化的框架，理论上证明了其一致性和估计误差界，并通过实验表明了其对训练深度神经网络的有效性。

Oct, 2017

该论文介绍了一种基于正例数据并配备置信度的弱监督学习方法，提出了一种带有参数的方法来消除偏斜置信度的负面影响，并提出了一种基于误分类率的方法选择超参数。实验结果表明该方法在线性模型和神经网络模型中均表现良好，并可行于驾驶员昏昏欲睡预测的实际问题。

Jan, 2020

模型得分和不确定性对决策边界的选择有关，该研究提供了理论分析和经验证据来证明模型得分估计偏差依赖于不确定性和得分本身，通过动态规划和保序回归算法提出的方案在三个真实数据集上比传统的只使用模型得分方法，在高精确度边界下获得了 25％-40％的召回率提升，凸显了利用不确定性的好处。

Nov, 2023

本文提出一种新的二元分类设置，即成对比较分类 (Pcomp) 分类，其中仅有一对未标记数据，我们知道其中一个数据比另一个更可能为正。我们给出了一个生成 Pcomp 数据的过程，推导出了一个带有理论保证的无偏风险估计器 (URE)，并使用校正函数进一步改进了 URE。同时，我们将 Pcomp 分类联系到噪声标签学习，发展了一种逐步 URE 并通过施加一致性正则化来改进它。最后，我们通过实验证明了我们的方法的有效性，这表明 Pcomp 除了成对标签之外，还是一种有价值且实用的成对监督类型。

Oct, 2020

本文提出了一种在多类分类问题中，通过最小化经验凸风险函数定义的评分函数提供输出类标签集合而不是单一标签的方法，该方法利用凸聚合与 V 折交叉验证原则，具有预期大小的控制和分类风险的最小化性质。

Aug, 2016

本文提出了一种基于 Correctness Ranking Loss 的深度神经网络训练方法，可以对类别概率进行显式的正序排名，提高置信度预测。该方法易于实现，不需要额外的计算代价，适用于现有体系结构，并且在分类基准数据集上表现良好。同时，还对置信度估计相关的任务，如超出分布检测和主动学习，具有相同的可靠性。

Jul, 2020

本研究提出了一种基于标签质量而非模型预测的学习方法 ——Confident Learning（CL），通过对数据进行剪枝、使用概率阈值计数来估算噪声，并对样本进行排序，以提高其置信度。我们基于假设类条件噪声过程直接估算了噪声标签和无污染标签之间的联合分布，提出了一种广义 CL，它是可证明一致和实验表现优异的。我们在不同类型数据上运用 CL，包括 MNIST 数据集、Amazon 评论库、以及 ImageNet 数据集的一些子集，结果表明 CL 可以清除不同类型数据中的噪声，提高模型准确性。

Oct, 2019

通过检查训练过程中的预测一致性，我们提出了一种自信度评估方法，用于半监督学习场景下在大部分训练标签不可用的情况下合理地估计模型对未标记样本的自信度。我们使用训练一致性作为替代函数，并提出了一种一致性排序损失函数用于自信度评估。在图像分类和分割任务中，我们的方法实现了自信度评估的最新性能。此外，我们通过一个下游主动学习任务展示了所提方法的好处。

Jul, 2023

选择性分类是在高风险场景中提高安全性和可靠性的一种方法，本研究提出了一种基于置信度感知对比学习的新型选择性分类模型，该模型通过改进特征层次来提高选择性分类的性能，实验证明它明显降低了选择性风险。

Jun, 2024

通过筛选最公正的实例并扩展概率阈值的置信区间，结合共同教学范式以提供更可靠的选择，有效地减轻偏见标签带来的不良影响，我们的方法证明在促进公平和减少机器学习模型中标签偏见方面的有效性。

Dec, 2023