本研究提出了一种集成噪声水平估计的深度弃权分类器（IDAC）损失函数，旨在解决图像基础诊断决策支持系统中的标签噪声问题。IDAC在不同噪声水平下展现出更强的鲁棒性，为开发准确可靠的诊断决策支持系统提供了新工具。

研究发现，通过精心设计的一层图神经网络可以高概率地恢复出两个图的顶点之间正确的对应关系，并且对于噪声水平的条件是近似最优的。图神经网络可以容忍噪声水平增长至图的大小的某个幂次。

本文通过模型和数据维度处理嘈杂标签学习中的误差积累问题。引入均值点集成方法减少误差积累，选择翻转图像的损失值代替原始图像的损失值选择小损失样本。实验证明该方法在不同噪声水平下优于其他方法，并可推广给其他任务。

本文介绍了一种基于深度图像先验的图像去噪方法，无需预训练即可成功恢复噪声图像。作者提出了通过监视 JPEG 文件大小作为噪声水平的代理度量标准，可以作为早停止的有效指标。实验证明，该方法有效。