- 具有噪声标签的遥感图像分割的任务特定预训练
提出了利用噪声标签进行遥感图像分割任务特定预训练的方法，并研究其对饱和模型的影响和鲁棒性。实验证明了该方法在提高预训练策略准确性和多样性方面的潜力。
- 通过防止样本选择的偏差来学习不平衡有噪声数据
提出了一种用于处理不平衡数据集中的噪声标签的简单而有效的方法，该方法基于类平衡的样本选择（CBS），结合置信度的样本增强（CSA），利用模型的训练动态纠正噪声样本的标签，并采用一致性正则化来提升模型性能。综合实验结果表明，我们的方法在不平衡 - 警告标签不发两次：预算有限时，数量胜过质量的二元分类器比较
我们研究了如何在给定一个模糊标签的预算的情况下，比较两个二元分类器的准确性。我们证明了一个与常规智慧相悖的定理，即如果目标是确定两个分类器中的更好者，则在更多样本上收集单个标签是最好的。我们的结果是基于 Cramér 定理的非平凡应用得出的 - 非可分解性能度量上的多类别带噪标签学习
从含有噪声标签的数据中学习良好分类器一直备受关注，我们的研究旨在设计算法，以应对多类非可分解性能度量的噪声标签，并通过实验证实了算法在处理标签噪声方面的有效性。
- 基于数据驱动的 Bayes 二元分类器假阳性率估计与软标签
本文提出了一种用于估计贝叶斯分类器中的假阳性率的估计器，并对其进行了广泛的理论分析，包括一致性、无偏性、收敛速度和方差。此外，还通过利用去噪技术和 Nadaraya-Watson 估计器，开发了一种用于估计有噪声标签情况下的假阳性率的有效估 - 内存一致性引导的分治学习方法用于广义类别发现
通过引入两个内存库记录未标记数据的历史预测，我们提出了一个记忆一致性引导的分治学习框架（MCDL），该框架利用预测一致性衡量每个样本的可信度，设计了分治学习策略来充分利用未标记数据的区分性信息，同时减小噪声标签的负面影响，通过多个基准实验结 - MetaSeg：内容感知元网络用于全监督语义分割
通过使用元学习技术，本论文提出了一种基于 CAM-Net 的新型语义分割方法 MetaSeg，该方法通过生成像素权重来抑制带有错误伪标签的噪声区域，并利用图像内容的增强特征提供简单可靠的优化指导，从而实现了与完全监督模型接近的出色性能，为全 - 自监督预训练如何提升在不同医学图像分类数据集中对噪声标签的鲁棒性？
医学图像分类中存在嘈杂标签会对深度学习产生重大影响，自监督预训练可以提高对嘈杂标签的鲁棒性，但这种鲁棒性受诸如类别数目、数据集复杂性和训练规模等因素的影响。本研究全面探讨了自监督学习与医学图像分类中嘈杂标签鲁棒性之间的相互作用，结果显示在五 - 基于狄利克雷分布的含噪标签学习预测校准
本研究提出了一种基于 Dirichlet 分布的预测校准方法（DPC），通过引入一个合适的常数来打破 softmax 函数的平移不变性，从而实现更可靠的模型预测，并通过引入一种新的证据深度学习（EDL）损失函数来确保稳定的模型训练。通过在各 - CoLafier：具有本地内在维度导引的协同噪声标签净化器
通过使用本地内在维度（LID）的 CoLafier，我们提出了一种新颖方法来解决深度神经网络（DNNs）在现实数据中受噪声标签影响的问题，并展示了它在预测准确率方面优于现有方法，尤其在严重标签噪声下表现更好。
- 学习带有噪声标签的两个期望最大化的相互连接
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 - 通用噪声注释：揭示噪声注释对目标检测的影响
本文针对带有噪声标签的目标检测任务，提出了一种更加实用的设置，包括可以发生在目标检测中的所有类型的噪声，并分析了如何影响检测器的性能。
- AAAIFedDiv: 面向带有噪声标签的联邦学习的协作性噪声过滤
FedDiv 提出了一种全局噪声滤波器和一种基于预测一致性的采样器来提高联邦学习中的训练稳定性并解决噪声标签的问题。在 CIFAR-10、CIFAR-100 和 Clothing1M 数据集上进行的实验表明，FedDiv 在不同噪声标签设置 - 具有实例相关噪声标签的联邦学习
该研究讨论了在联邦学习中处理有噪标签的困难以及实例相关噪声的更具挑战性问题，提出了一种名为 FedBeat 的新算法，通过建立全局一致的分类器来解决这一问题，并且在实验中证明了该方法明显优于现有的其他方法。
- AAAI多标签分类的鲁棒性：对抗不平衡和噪声的数据增强策略
我们提出了一种统一的数据增强方法 BalanceMix，用于解决多标签分类中的类别不平衡和噪声问题。我们的方法包括两个样本策略，用于生成具有高多样性的少数类增强样本。它还在标签粒度上对多标签进行细分，将噪声标签归类为清晰、重新标记或不确定， - 连接噪声建模与提升噪声检测的统一框架
噪声标签学习的研究中，噪声建模和噪声检测是两种常见方法，但这两种方法通常独立研究，缺乏对它们的协作研究。本文探讨了这两种方法的整合，提出了一个互联结构，包括噪声建模、源知识识别和使用噪声源知识整合方法的增强噪声检测的关键模块。在包括三种类型 - 揭示和提升数据可信度：用于训练无害语言模型的数据集研究
本研究专注于评估数据集的可信度，鉴定标签错误，并评估噪声标签对语言数据的影响，特别关注不安全评论和对话分类，通过直接修复标签错误来显著提高数据的可信度和下游学习性能，说明清理现有的真实世界数据集的重要性。
- EMNLP通过外部引导对预训练语言模型进行噪声抗干扰微调
使用嘈杂标签，通过引导大型语言模型来提高预训练语言模型（PLM）的微调过程，以区分干净样本和嘈杂样本，并提供嘈杂标签之外的辅助信息，从而增强学习过程。
- 对预训练模型进行微调以提高在有噪标签下的稳健性
在这项研究中，我们的目标是找到一种适用于带有噪声标签数据集的预训练模型微调的合适方法。通过经验分析，我们引入了一种名为 TURN 的新算法，其能够稳健且高效地传递预训练模型的先验知识。该算法包括两个主要步骤：（1）独立调整线性分类器来保护特 - ASM：面向野外人脸表情识别的自适应样本挖掘
通过自适应样本挖掘方法，实现了在面部表情识别中对于模糊性和噪声的动态处理，包括自适应阈值学习、样本挖掘和三重正则化模块，该方法能够有效地挖掘模糊性和噪声，并在合成噪声和原始数据集上优于目前最先进的方法。