该研究提出了一种名为 PENCIL 的端到端框架，它可以更新网络参数和标签估计作为标签分布，在不需要辅助干净数据集或关于噪声的先验信息的情况下，实现了对具有噪声的合成和真实世界数据集的更加通用和鲁棒的分类。

Mar, 2019

本文提出了一种名为 REED 的新方法来解决卷积神经网络在存在噪声标签时训练的挑战，该方法通过无监督学习获取表示，通过分类器的半监督自训练解决噪声标签学习问题，并联合半监督重新训练表示和分类器，实现了对噪声标签的鲁棒性，大量实验结果表明，该方法在高噪声水平下可以显著击败现有的最先进方法。

Nov, 2020

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

本篇论文提出了一种基于图神经网络的节点分类不确定性感知学习框架，通过分布鲁棒优化来最小化最坏风险，以更好地在各种噪声情况下实现节点嵌入学习，实验结果表明与现有方法相比，该框架具有更优越的预测表现。

Jun, 2023

本文提出了一种新的方法，即 Erasing Attention Consistency (EAC) 来解决标签噪声问题，该方法利用人类面部图像的翻转语义一致性设计不平衡框架，并利用随机抹除输入图像和翻转注意力一致性来自动抑制噪声样本的干扰，从而显著优于现有的技术并且具有很好的泛化性能。

Jul, 2022

通过重新标记和剪枝训练集，本研究提出了一种最大化数据子集总体近邻置信度以提高重新标记准确性和泛化性能的数据剪枝算法。在实验中，该算法相比于重新标记模型提高了 9.1%，相比于标准模型提高了 21.6%。

Nov, 2023

提出一种机制 “ESMER” 来调节神经网络的错误敏感性，通过对过去错误的记忆，使其学习更多的小的连续错误然后是暴发性大的错误，并使用 “Error-Sensitive Reservoir Sampling” 维护情节记忆，从而更好地保留信息，以应对现实世界数据流中的标签噪声，并有效地减少遗忘和突变漂移。

Feb, 2023

通过使用轻量级橡皮擦实现可靠的概念消除，本研究提出了 Receler；通过提出的概念本地化正则化和对抗性提示学习，增强了局部性和鲁棒性；与之前的擦除方法相比，通过各种概念提示进行了全面的定量和定性实验证实了 Receler 的优越性。

Nov, 2023

本文提出了一种抵抗标签噪声的新型图神经网络，通过链接具有高特征相似性的未标记节点和已标记节点以及精确的伪标签来提高半监督节点分类的准确性，并在真实数据集上进行了广泛的实验研究。

Jun, 2021

本文提出了一种使用擦除来解释神经模型决策的通用方法，通过分析和比较擦除输入词向量的不同部分，中间隐藏层的不同单元或输入词的不同方法，来评估和解释模型判断的影响。研究表明，该方法不仅可以提供清晰的神经模型决策解释，还可以为神经模型的错误分析提供一种方法。

Dec, 2016