| 名称 | 来源 | 说明 | 状态 | 备注 |
|---|---|---|---|---|
| 《ehensive Introduction to Label Noise》 | ESANN 2014 | 梳理了三种噪声标签的处理手段（主要是面对分类问题，整体比较水）： 3.1 Label Noise-Robust Models； 3.2 Data Cleansing Methods； 3.3 Label Noise-Tolerant Learning Algorithms（没太看懂）； |
NULL | https://www.cs.bham.ac.uk/~axk/ESANNtut.pdf |
| 《Classification in the Presence of Label Noise: a Survey》 | IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS 2014 | 《ehensive Introduction to Label Noise》综述的同作者详细版本： I. INTRODUCTION； II. DEFINITION, SOURCES, AND TAXONOMY OF LABEL NOISE； III. CONSEQUENCES OF LABEL NOISE ON LEARNING； IV. METHODS TO DEAL WITH LABEL NOISE； V. LABEL NOISE-ROBUST MODELS； VI. DATA CLEANSING METHODS FOR LABEL NOISE-POLLUTED DATASETS； VII. LABEL NOISE-TOLERANT LEARNING ALGORITHMS； VIII. EXPERIMENTS IN THE PRESENCE OF LABEL NOISE IX. CONCLUSION； |
NULL | https://romisatriawahono.net/lecture/rm/survey/machine%20learning/Frenay%20-%20Classification%20in%20the%20Presence%20of%20Label%20Noise%20-%202014.pdf |
| 《Image Classification with Deep Learning in the Presence of Noisy Labels: A Survey》 | arXiv 2020 | 侧重深度学习的噪声标签综述（和图像的关系好像并不大）： I. INTRODUCTION； II. PRELIMINARIES； III. NOISE MODEL BASED METHODS； IV. NOISE MODEL FREE METHODS； V. CONCLUSION； |
NULL | NULL |
| 《Confident Learning: Estimating Uncertainty in Dataset Labels》 | arXiv2019 | cleanlab: 1 Count：估计噪声标签和真实标签的联合分布; 2 Clean：找出并过滤掉错误样本; 3 Re-Training：过滤错误样本后，重新训练（采用Co-Teaching，是因为剩余的训练数据中仍然存在噪声？）; |
NULL | https://zhuanlan.zhihu.com/p/146557232 |
| 《Co-teaching: Robust Training of Deep Neural Networks with Extremely Noisy Labels》 | NIPS 2018 | 基于两个网络交互的噪声数据训练方法（cleanlab使用了）： 1 创建两个网络； 2 每个网络输入所有数据并选择一些可能干净的标签数据; 3 两个网络相互通信这个批量中应该用于训练的数据; 4 每个网络反向传播另一个网络挑选的数据并更新自己; |
NULL | https://zhuanlan.zhihu.com/p/65632321 |
| 《Learning with Noisy Label-深度学习廉价落地》 | 知乎 | 噪声标签综述&资料汇总; 涉及多篇文章，没仔细细看； |
NULL | NULL |
| NULL | NULL | NULL | NULL | NULL |