本文提出了一种数据驱动的主动标签清理方法，旨在解决数据注释中的标签噪音问题，提升数据集质量。研究探讨了标签噪声对深度学习的影响，尤其在医疗应用中，并提出了多种解决方案和算法，以提高模型的准确性和鲁棒性。

该论文提出了一种新的训练深度神经网络的方法，能够在标签噪音的情况下保持高稳健性。通过使用小的可信集合来估计样本权重和伪标签，以便进行监督训练。该方法在各种类型的标签噪声和大规模真实世界标签噪声数据集上取得了最优的表现。

该论文提出了一种新的深度神经网络训练方法，能够在标签噪音的情况下保持高稳健性。该方法利用小的可信集合来估计样本权重和伪标签，以重复使用它们进行监督训练。该方法在各种类型的标签噪声和大规模真实世界标签噪声数据集上表现最优。