- 能将嘈杂标记视为准确吗？
通过 EchoAlign，将嘈杂的标签视为准确的，并修改相应的实例特征来更好地与嘈杂的标签保持一致，同时保留干净的原始实例以减轻训练和测试集之间的分布差异。
- 通过双流样本蒸馏实现鲁棒性噪声标签学习
通过设计名为 Two-Stream Sample Distillation（TSSD）的简单而有效的样本选择框架，来提取更多高质量具有干净标签的样本，改进网络训练的鲁棒性。实验证明，我们的方法在四个基准数据集上取得了与竞争对手相比的最先进结 - H-COAL：用于生物医学命名实体识别的 AI 生成标签的人工校正
通过对 AI 生成的标签进行选择性校正，可以减少人力成本，并达到与完全人工标注相媲美的性能表现。研究结果显示，校正 5% 的标签可以使 AI 和人工表现的差距相对改善 64%；校正 20% 的标签可以相对改善 86%。
- FAIRLABEL：修正标签偏差
提出了 FAIRLABEL 算法，用于检测和修正标签中的偏见，以减少群体间的不平等影响，同时保持高预测准确性。在合成数据集上验证 FAIRLABEL 时，显示标签修正正确率为 86.7％，而基准模型为 71.9％。在 UCI Adult、G - 跨临床站点改进多发性硬化症病变分割：一种具有抗噪训练的联邦学习方法
使用联邦学习框架中的标签修正策略，解决多发地点协作中数据隐私和标签噪声的问题，实现多发地点的合作，提高多发地点数据的可靠性，并在多发地点数据上进行广泛实验证明了方法的有效性和鲁棒性。
- 利用标签检索增强扩散模型从含噪标签中学习
本文从生成模型的角度重构标签噪声问题，提出了 LRA 扩充扩散模型来处理噪声标签。经过广泛的实验验证，我们的模型在所有标准实际基准数据集上均取得了新的最优结果，在许多情况下，通过结合来自强大的 CLIP 模型的条件信息，我们的方法可以将当前 - 增强元标签修正以应对标签损坏
该研究提出了一种新的基于元学习的增强型元标签纠正方法 (EMLC)，旨在解决有噪标签的学习问题，在 Clothing1M 数据集上取得了比以前更好的效果。
- IRNet: 迭代细化网络用于噪声部分标签学习
本文提出了一种名为 “Iterative Refinement Network” 的新型框架，旨在加强部分标签学习 (PLL) 中嘈杂样本的纠正，通过嘈杂样本检测和标签修正两个关键模块，确保框架的性能，将噪声 PLL 转换为传统 PLL，实 - 推荐系统中基于标签纠正的设备端模型微调
本研究针对推荐系统中的 CTR 预测任务，研究了如何在移动设备上有效地进行本地微调，提出了一种新的标签修正方法，并通过离线评估和在线 A/B 测试证明了它的必要性和优越性。
- MMProSelfLC: 逐步自我标签修正朝着低温熵状态
本文介绍了一种基于自我和非自我标签校正的方法和输出正则化，旨在为训练深度神经网络提供更稳健的方法。作者发现了三个主要问题，并通过介绍一种名为 ProSelfLC 的新方法来解决它们，该方法通过学习时间和预测熵来逐步进化和自适应信任学习器的预 - IJCAI细粒度实体类型自动嘈杂标签纠正
本文提出了一种新方法，通过估计先前模型的逻辑输出确定潜在的嘈杂标签，然后训练一个鲁邦模型来除去剩余的噪声标签，从而自动校正 FINE-Grained 实体类型任务中的嘈杂标签，证明了方法的有效性。
- IJCAISELC: 自集成标签校正改进噪声标签学习
为了解决深度神经网络容易过度拟合噪声标签从而导致通用性能不佳的问题，本文提出了一种名为自我集成标签校正（SELC）的新方法，利用指数移动平均的集成预测来更新原始的噪声标签，逐渐减少对噪声标签的监督，增加对集成预测的监督，相比现有很多最先进的 - 噪声鲁棒图像分类的协同网络学习和标签纠正
提出了一个深度学习神经网络的标签检查和修正方法，该方法结合了小损失选择和噪声校正的思想，采用两个不同的网络来通过小损失选择方法训练，并根据两网络的分类误差和同意误差的评估来度量训练数据的置信度，在真实和人工数据集上测试表明该方法优于基准方法 - ECCV通过高效过渡矩阵估计学习，以对抗标签错误纠正
本研究提出一种学习时利用标签转移矩阵的方法，通过增加分类器的怀疑性来缓解标签错误纠正问题，并通过引入双头结构实现单个反向传播内每次迭代中高效地估计标签转移矩阵，结果表明该方法具有比现有方法更好的训练效率及相当或更好的准确性。
- ICCV学习加噪标签用于鲁棒性点云分割
本文提出了一种基于点噪声自适应学习（PNAL）框架的点云分割算法，包括一种基于历史预测的可靠标签点选择和一种投票策略的集群微调方法，有效解决了一些实际场景中存在的标签噪声问题。
- 联邦噪声客户端学习
本文通过研究噪声客户端带来的问题，并量化了其对不同层学习的影响，提出了一种名为 Fed-NCL 的框架来进行鲁棒性联邦学习，并通过鲁棒的层级聚合和标签修正来解决由噪声客户端引起的数据异质性问题，实验结果表明，该算法提高了带有噪声客户端的各种 - MM从嘈杂的数据中获取可重复使用的样本以实现强鲁棒性学习
通过识别和纠正可重复使用的样本，同时与清洁样本一起利用，更新网络，以应对在使用网络图像训练深度细粒度模型时，标签噪声的问题。
- 元学习软标签校正器学习去噪标签
本文提出了一种基于元学习方法的元 - 梯度下降模型，可自适应地根据当前的训练问题迭代地获取校正后的软标签，无需手动预设超参数，从而解决了深度神经网络容易过度拟合含有噪声标签的训练数据的问题。
- ProSelfLC: 用于培训强健深度神经网络的渐进式自标签修正
该论文探讨了多种训练深度神经网络的方法，提出了一种新的端到端方法 ProSelfLC，通过增加对在训练充分时间后，且预测的熵值较低（高置信度）的标签分布的信任度来解决自我学习 (LC) 中学习者的信任度问题，同时证明重新定义有意义的低熵状态 - AAAI噪声标签学习的元标签校正
本文提出了一种基于元学习的标签纠正框架（MLC），旨在解决数据训练集中标签嘈杂或不确定性等问题，通过调整权重甚至直接纠正嘈杂标签来优化训练。在文本分类等任务中验证了该方法的有效性。