本研究分析了视觉变压器在标签噪声条件下的表现，结果显示大模型在分类准确性和校准效果上优于小模型，为资源受限环境的应用提供了指导。

本研究提出了两种新算法，解决持续学习中的标签和实例噪声问题。通过构建噪声容忍的重放缓冲区，实验证明这些方法在噪声环境下显著提高了分类准确性，并有效减少了遗忘现象。

本研究探讨了多标签分类中的标签噪声问题，提出了一种新的后纠正方法，利用深度生成技术建模标签噪声。结果表明，该方法在多种噪声标签设置下有效提高了预测准确性，优于现有方法。

本文提出了一种无监督的实时元损失重新加权方法，旨在解决高质量标签创建的高成本及标签中的错误和模糊性。该方法在自然语言处理任务中表现优异，特别是在对话建模中有效减轻标签噪声和类不平衡问题，提升模型性能。

本研究探讨了图神经网络在标签噪声下的鲁棒性，揭示了模型在特定条件下的失败模式，并提出了两种训练策略以增强鲁棒性，提升噪声环境中的表现。

本研究探讨了带标签噪声的预训练模型对随机梯度下降的影响，结果表明预训练在噪声环境中促进复杂特征学习，提升模型性能，并帮助梯度下降找到替代最小值，增强学习能力。

本研究提出了一种新的训练框架“循环保形方法”（CitL），旨在解决大规模数据集中类别不平衡和标签噪声问题。该方法通过评估样本不确定性、调整权重和剔除不可靠示例，提高模型的鲁棒性和准确性。实验结果表明，CitL在噪声和不平衡数据集中的分类准确率提高了6.1%。

本研究提出了一种深度弃权分类器（IDAC），旨在解决图像基础的诊断决策支持系统中的标签噪声问题。IDAC通过集成噪声水平估计，展现出比传统分类器更强的噪声鲁棒性，为开发准确可靠的诊断系统提供了新工具。

本文研究了深度学习中预训练对模型鲁棒性和不确定性预测的影响，提出了对抗性预训练方法和轻量级调节方法（NMTune），以减轻标签噪声对模型性能的影响。研究表明，预训练中的噪声虽然能提升域内性能，但会损害域外性能，强调了优化模型和理解噪声特性的必要性。

本文研究了复制移动伪造检测算法的性能，利用多种特征集进行实验，发现基于关键点和块的特征集合在噪声和下采样情况下表现良好。同时探讨了标签噪声对二分类模型的影响，强调准确估计伪阳性率的重要性。此外，研究了活体检测模型在跨数据库场景下的表现，并提出了新型认证防御技术CrossCert，以确保认证样本的安全性。

本文综述了深度学习中处理标签噪声的多种方法，如质量嵌入模型、对抗加性噪声网络（CAN）和基于特征嵌入的LEND方法。这些方法有效提高了分类器的鲁棒性和准确性，特别是在图像分类任务中，通过识别高准确度标签和优化训练过程，显著改善了模型性能。

本研究提出了一种新的加权自适应最近邻方法（WANN），通过自监督特征表示来减轻标签噪声。WANN在各种数据集上超越了传统方法，显著提升了在噪声标签下的分类性能。具有高效率和可解释性。

该文章提出了一种新的知识蒸馏方法，通过将标签噪声结合到输入中来提高轻量级教师模型的性能，并保持与标准蒸馏一致性训练学生模型，以提高知识蒸馏的效果和增加模型的灵活性。

该论文提出了一种使用无标签干扰数据集训练深度卷积神经网络的新型框架。通过无向图模型描述干净和嘈杂标签之间的关系，并在监督学习中学习该模型。该模型在图像标注问题上应用，并在CIFAR-10和MS COCO数据集上展示出有效的标注效果和减少标签噪声的效果。

该论文提出了一种名为CrossSplit的新型训练方法，用于提高深度学习算法在存在标签噪声的情况下的鲁棒性。实验证明，该方法在多个数据集上可以比当前最先进的方法提高90%的噪声率。

使用分布匹配和最优传输的伪标注方法解决了长尾分布和标签噪声的问题，提供平衡准确的训练样本集，为标签噪声的长尾分类提供性能提升。

本研究提出了Decoupled Prototype Learning (DPL)方法，解决了使用伪标签进行交叉熵损失微调时受标签噪声影响的问题。通过基于内存的策略增强小批量处理的鲁棒性，并使用一致性正则化方法转移特征风格，提高测试时自适应的可靠性。实验证明该方法在领域泛化和图像破坏基准上取得了最先进的性能。

本文研究了预训练数据中的标签噪声对深度学习模型的影响，并提出了一种调节方法来减轻噪声的恶性效应。实验证明，轻微噪声预训练对域内任务有益，但对域外任务造成恶化。该方法可以改善模型的泛化能力。研究结果表明噪声模型学习是一个重要的研究方向。