基于粒球表征学习的深度卷积神经网络在带标签噪声学习中的应用

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。

开发了对抗加性噪声网络模型（CAN），在多种噪声图像数据集上优于现有深度学习方法。

提出了一种无监督半监督深度神经网络学习框架，识别标签准确度较高的数据，利用半监督学习训练深度神经网络。

研究了KNN和DNN在标记噪声情况下的分类性能，证明了DNN在某些类型标签噪声情况下的鲁棒性。

通过定制标签应用于CNN训练，显著提高分类精度和数据效率。

综述了62种最新的鲁棒训练方法，分析了噪声估计率和评估方法，提出未来研究方向。

提出了一种基于特征嵌入的深度学习方法（LEND），有效减少误标签并获得鲁棒性分类器。

创立了颗粒球神经网络算法模型，解决标签噪声导致模型不稳定的问题，提高神经网络模型的鲁棒性。

通过在训练数据特征上添加噪声，增强深度神经网络的泛化能力，并约束PAC-Bayes泛化界限。

全面回顾了应对噪声标签的深度学习方法的演变，提出了基于现实世界数据的合成标签噪声模式。