标签
本文提出了一种鲁棒双模型协作随机向量函数链网络（KRPRVFL），通过利用核风险敏感均值p幂准则和协作学习，以在存在噪声标签和离群点的情况下提高分类准确性。
本研究在有限标签噪声条件下测试主动学习中的不确定性采样，通过比较不同数据集上的误差暴露和误差定位效应，以评估其鲁棒性和性能。
This paper systematically studies hypergraph node classification under label noise, proposing HyperTrust, a robust framework with HyperedgeBoost and HyperedgePrune modules, along with a unified benchmark for evaluating LLN and GLN methods on hypergraphs.
介绍了LiNC，一种轻量级噪声校正方法，通过学习逐样本可信度参数，利用高斯混合模型区分干净标签和噪声标签，在高标签噪声下的医学影像数据集上实现了稳健的准确率提升。
本文将有噪声序数标签的排序估计重新定义为随机排序问题，并提出了一种学习框架（SOL），该框架通过判别性损失和随机顺序损失捕获序数标签的不确定性，从而在多种噪声类型下实现可靠的排序估计。
介绍了CILN，一种通过受控输入损坏生成实例相关标签噪声基准的框架，能够显式控制模糊性的来源和严重程度。实验表明，它能够产生逼真的噪声结构，并揭示了流行的噪声标签学习方法中的失败模式。
本文提出了一种新颖的主动学习框架，利用基础模型先验来同时解决类别不平衡和标签噪声问题，在图像和文本领域相比基线方法节省了超过50%的标注成本。