上图是三型训练范围。在每个迷你批次上，选择一个相对较小的损失样本，每个网络的损失较小，这被视为有用的知识（有用的知识），然后使用有用的知识。其他两个是自我发展的方法。
特定算法如下：
假设这两个网络是$ f $（参数为$ w_f $）和$ g $（参数为$ wg $）构建迷你批次，并迭代培训$ n {max} $ times.SELECT $ r的样本（t）从迷你批次中的$百分比，并将其记录为$ bar {d} _f $和$ bar {d} _W $，步骤4,55。g $，并使用$ bar {d} _w $训练和更新$ f $，步骤6,7。$ r（t）$正在减少作为训练步骤，也就是说，他是动态的，有用的知识每个选择都会变得越来越少。
在上述算法中，需要解释两个重要问题：
第一个问题的解释：首先，当标签正确时，少量损失样本更可能具有正确的标签。因此，如果我们仅采样了培训师的低损失样本，那么我们应该抵抗噪声标签。在时期开始时的模型，因此该模型具有在训练开始时过滤噪声数据的能力。但是，随着训练的增加，该模型将逐渐拟合这些噪声数据。因此，为了使用此法律，算法在最初的迷你批次中选择更有效的数据，并在进行培训时逐渐减少。对于第二个问题：想象一下，当学生检查自己的测试论文时，很难找到错误，因为他们对自己的个人偏见回答s，但是当要求帮助同伴帮助检查自己的测试论文时，更容易使其更容易找到错误。从基础上，不同的分类器可以学习不同的决策 - 制定界限并具有不同的学习能力。因此，当我们训练模型时在噪声数据上，我们还希望它们具有不同的噪音能力。这激发了我们交换小样本，也就是说，从$ g $（或$ f $）选择的小批次样本中的参数已从$ g更新$（或$ f $）。此过程类似于共同传播。如果所选的示例嘈杂，则两个网络将适应另一个网络的训练错误。总的来说，网络中的错误不会直接返回自己。与自我进化的方式相比，我们希望共同教学方法可以处理更多的噪声数据。
【参考：】纸
研究三个步骤：
上图是自信学习的框架。以下详细介绍了这三个步骤：
1.计数
将噪声标签定义为$ hat {y} $，即初始标签（也许是手册标签），但可能存在错误。真正标签的定义是$ y^*$，但实际上我们确实如此没有真正的标签。通常，我们可以通过交叉验证估算真正的标签1.样本总数为$ n $，类别总数为$ m $。
估计的联合分配步骤如下：
我们的目的是估计$ hat {q} _ {hat {y}，y^*} $的组合概率分布来描绘类别的噪声。通过计算混淆矩阵中的数量，然后校正，然后每个标签的标签编号标签，
2.清洁
在噪声标签和真实标签的组合分布中
3.重新传播
滤除错误示例后，根据联合分配$ q {hat {y}，y^} $：$ $ $ frame {1} {（hat {y} = i | y^= i）} = frac {q {y^} [i]} {q_ {hat {y}，y^}，y^} [i] [i] [i]} $ $
其中：$ q {y^*} [i] = sum {j = i..m} {q_ {hat {y}，y^*}，y^*} [j] [i]} train。
[参考：]清洁行参考1
（待续...）