该文综述多项无监督与半监督深度学习研究，涵盖噪声标签学习、图像去噪、语义分割、语音去噪、高光谱解混及OCT降噪等。核心是利用自监督、知识蒸馏、盲区网络等减少对干净标注的依赖，在Pascal VOC、MS-COCO、ImageNet等数据集上取得与最先进方法相当的效果。

该文综述噪声标签学习（LNRL）研究，从机器学习视角给出正式定义，分析噪声标签对深度学习模型性能的影响，并将LNRL方法分为三个方向，讨论各自优缺点，同时介绍JNPL、SelNLPL、SNSCL、NPN、伪标签细化、CLIP协同训练、DCLR、PCL等方法以提升鲁棒性与分类准确性。

该文综述噪声标签学习进展，提出类别惩罚标签、噪声率图模型、区间估计样本选择、CLIP过滤、截断M估计器、CurveNet元学习、贝叶斯零样本预测、Jo-SRC对抗学习、公平鲁棒样本选择及均值点集成等方法，以提升模型对噪声标签的鲁棒性。

本文介绍了一种新的二元分类设置——成对比较分类(Pcomp)分类，其中仅有一对未标记数据。文章推导出了一个带有理论保证的无偏风险估计器(URE)，并使用校正函数进一步改进了URE。同时，将Pcomp分类联系到噪声标签学习，发展了一种逐步URE并通过施加一致性正则化来改进它。实验证明了该方法的有效性，表明Pcomp除了成对标签之外，还是一种有价值且实用的成对监督类型。