本研究提出了一种新的实例级重加权算法，通过动态调整样本权重，聚焦于信息量大的样本，解决大型语言模型预训练中的样本重视不均问题。实验证明该方法能加速收敛并提升性能。

本研究提出了一种新的解决PCA处理异常值问题的方法，通过细致分析异常值并迭代学习样本权重、数据均值和投影矩阵，有效减小了异常值的影响。实验结果显示该方法在估计均值和投影矩阵方面表现优越。

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。

该文提出了一个学习框架，通过识别样本的正常性并更新样本权重来改进正常性表示，提高了三种典型异常检测方法的鲁棒性。该框架还受到异常检测目标的启发，通过实验证明其有效性。