关于弱标签问题的相关论文略读
Iterative Teaching by Label Synthesis (NIPS, 2021)
评论：https://openreview.net/forum?id=9rphbXqgmqM, Spotlight
代码：暂未找到。
简介：本文作者认为真实标签并不一定是模型学习的最佳选择，因此提出一个自适应合成的伪标签来训练模型，从而提高模型的收敛性。
Weak-shot Fine-grained Classification via Similarity Transfer (NPIS, 2021)
评论:
代码：https://github.com/bcmi/SimTrans-Weak-Shot-Classification
简介：在噪声标签问题方面，提出了利用转移相似度处理标签噪声的两种方法:样本加权和图正则化。
Mixed Supervised Object Detection by Transferring Mask Prior and Semantic Similarity (NIPS, 2021)
评论：https://openreview.net/forum?id=QXDePagJ1X3
代码：https://github.com/bcmi/TraMaS-Weak-Shot-Object-Detection
简介：在噪声标签方面，本文利用了一个相似度网络来学习语义相似度，从而缓解噪声标签问题。该点可以试试。
Curriculum Learning in Label Noise
1. Self-Paced Robust Learning for Leveraging Clean Labels in Noisy Data (AAAI 2020)
链接：https://ojs.aaai.org/index.php/AAAI/article/view/6166
代码：暂无。
简介：利用大规模噪声数据和少量干净数据来训练一个鲁棒模型，提出了一种新颖的自定节奏鲁棒学习算法(SPRL)，该算法在标签良好的数据监督下，在从更可靠(干净)的数据实例到更不可靠(有噪声)的数据实例的过程中训练模型。
2. MentorNet: Learning Data-Driven Curriculum for Very Deep Neural Networks on Corrupted Labels (ICML 2018)
代码：https://github.com/google/mentornet
链接：https://arxiv.org/abs/1712.05055
简介：MentorNet通过为样本提供课程权重，从而实现对含噪声标签样本的学习。
3.CurriculumNet: Weakly Supervised Learning from Large-Scale Web Images (ECCV, 2018)
代码：https://github.com/guoshengcv/CurriculumNet
链接：https://arxiv.org/abs/1808.01097
简介：设计了一个新的学习课程，利用分布密度以无监督的方式对数据复杂度进行排名，能够在大规模弱监督网络图像上训练深度神经网络，从而有效地处理大量的噪声标签和数据不平衡问题。
