本研究提出了一种新颖的数据修剪技术，有效解决深度神经网络中的虚假相关性问题，实验结果表明该技术在识别虚假信息方面表现优异。

本文介绍了Variational Confidence Calibration (VCC)和Influence-Function-based Unlabeled Sample Elimination (INFUSE)两种方法。VCC使用Variational Autoencoder选择更准确的伪标签，INFUSE是一种数据修剪方法，用于构建无标签样本的核心数据集。这些方法在多个数据集和设置中都非常有效，可以减少分类错误率并节省训练时间。在CIFAR-100数据集上，VCC-INFUSE将FlexMatch的错误率降低了1.08%，同时节省了近一半的训练时间。