本研究提出了一种新方法，通过分段任意模型（SAM）特征对齐，显著提升了跨数据集边缘检测中的标签不确定性与粒度的性能。

本研究通过引入Crowd-Calibrator方法解决了自然语言处理中的标注者分歧与标签不确定性问题。实验结果表明Crowd-Calibrator在主观任务中优于选择性预测基线，突显了将人类决策纳入模型预测的价值。

研究人员通过信息增益最大化启发式方法开发了一种增强的主动学习方法，并在真实环境中评估了其有效性。研究发现，高技能的分析员提供标签，并使用置信度评分来估计分析员的标签不确定性，并根据预期信息增益的优先级对实例进行标记是最佳的评估方法。研究还建议在实施主动学习之前对分析员进行筛选和培训，并在早期阶段使用基于专家置信度的信息增益最大化采样方法。

研究发现，后验温度调整可以更好地反映新增训练样本信息的贝叶斯神经网络模型。先验常高估标签不确定性。

该文介绍了一种新的鲁棒性正例与未标记学习方法，通过训练策略改善标签不确定性的影响并提高学习的准确性和稳定性。该方法利用一种新颖的“困难度”度量来区分未标记样本，并通过迭代式训练策略在训练过程中细化选择负例样本，从而在训练的早期阶段包含更多“易样本”。

本文介绍了一种新的鲁棒性正例与未标记学习方法，通过训练策略改善标签不确定性的影响并提高学习的准确性和稳定性。该方法利用一种新颖的“困难度”度量来区分未标记样本，并通过迭代式训练策略在训练过程中选择负例样本，从而在训练的早期阶段包含更多“易样本”。