近日，太阳集团tyc234cc青年教师李芮所带领团队在噪声标签学习领域连续取得重要研究进展，其指导的两项研究成果被人工智能领域顶级会议AAAI 2026（CCF-A类）和中科院一区Top期刊Pattern Recognition（IF：7.6）录用。两篇文章均为太阳集团tyc234cc第一单位和唯一通讯单位，第一作者为学院硕士研究生周志浩、通讯作者为学院青年教师李芮。

论文题目：Content Diversity-guided Ambiguity Mitigation for Open-Set Noisy Label Learning

作者：周志浩，李芮，李雪莹

论文概述：在开放集噪声标签学习中，由于训练数据同时包含分布内噪声样本与分布外噪声样本，模型易产生过度自信却错误的预测。针对这一问题，论文提出了一种内容多样性引导的模糊性缓解框架，通过利用多样化的文本信息来解决开放集噪声标签学习中的语义缺陷问题。该框架通过引入文本描述的类内共性与类间差异来动态细化语义边界，以缓解视觉模糊性并减少原型学习偏差；同时设计了一种区域敏感的蒸馏正则化方法，将多模态大语言模型中的边界感知知识迁移至目标视觉模型，从而抑制早期视觉表征的不确定性。在不同数据集和噪声水平上的实验表明，这一方法有效提升了模型性能，其效果优于现有最先进方法。

论文题目：Affinity-aware Uncertainty Quantification for Learning with Noisy Labels

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320325011586

作者：周志浩，李芮，艾文杰，李雪莹，滕竹，张宝鹏，杜军威

论文概述：现有的噪声标签学习方法往往会忽略固有噪声（例如样本质量）的影响，这些噪声可能误导 DNNs 关注不正确的区域，损害 softmax 分类器，并生成低质量的伪标签。该论文提出了一种新颖的亲和力感知不确定性量化框架，通过量化不确定性来探索感知模糊性并纠正显著性偏差。此外，文中设计了一种不确定性感知损失函数，以强调从这些高不确定性样本中学习，这有助于 DNNs 逐渐将注意力集中在关键区域。论文进一步利用样本-原型亲和力来自适应地细化伪标签，从而提高噪声样本监督信号的质量。在多个数据集上的实验表明本方法优于目前的大部分噪声标签学习方法。