标签
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。