本文提出了一种基于特征嵌入的深度学习带标签噪声的方法（LEND），该方法能利用嵌入特征的内在韧性来有效减少误标签，采用深度学习进行训练并获得鲁棒性分类器。
Jun, 2022
本文提出基于能量分数的伪标记法，用于解决深度卷积神经网络中，由于 softmax 置信度无法准确反映样本离训练数据的距离，导致伪标记不可靠的问题，并在不平衡 SSL 数据集上实现了明显的精度提升。
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
本文提出了一种基于深度学习的端到端系统，利用嘈杂的众包标签，通过多个注释器特定的 label confusion 层和参数耦合的方式，与神经分类器同时学习标签纠正机制，并提出了 CCEM 的正则化变种，以增强目标模型参数的可识别性。
Jun, 2023
通过对 CIFAR-10 和 CIFAR-100 数据集的实验，我们的工作首次探索了 EBMs 对自然损坏和对抗攻击的稳健性，结果表明 EBMs 在白盒攻击、黑盒攻击和自然扰动方面的稳健性与经过对抗训练的 DNNs 相当，而无需牺牲清晰度准确性或使用额外的训练技术。
Jan, 2024
本文提出了一种利用联合优化框架来学习深度神经网络参数和估算真实标签的方法，以克服在噪声标签数据集上进行训练导致性能下降的问题，实验结果表明该方法在解决 CIFAR-10 噪声数据集和 Clothing1M 数据集分类问题上优于其他最先进的方法。
Mar, 2018
本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法，该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。
May, 2019
本文提出了一种质量嵌入模型，通过将质量变量嵌入到不同的子空间中，有效减小了噪声对标签的影响，并提出了一个对抗加性噪声网络模型（CAN）用于训练分类器，现有实验数据显示 CAN 在多种噪声图像数据集上优于深度学习等现有方法。
Nov, 2017
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
通过模拟基于力学的物理模型，对模型的选择进行重新定义，并通过捕捉动态表示的运动来评估可迁移性，从而增强传统的模型评估方法并提高性能。
Aug, 2023