本研究提出了一种基于标签质量的学习方法Confident Learning（CL），通过剪枝和概率阈值估算噪声，从而提升模型的准确性。CL在多个数据集上表现优异，能够有效清除噪声标签。研究还探讨了标签噪声的学习问题，提出了主动标签清理方法和新的数据集，强调了真实世界噪声模式的挑战性。

本研究提出了一种基于标签质量的学习方法——Confident Learning（CL），通过剪枝和概率阈值估算噪声，从而提升模型的准确性。研究表明，CL在多种数据集上有效清除噪声，提高模型性能，并提出了新的框架和方法来处理带噪标签的问题，增强模型的鲁棒性和泛化能力。