噪声下分类更稳
把MC Dropout的不确定性估计与邻居校准结合，动态重加权不确定样本，并用GMM软伪标签缓解噪声，让PU学习在大模型上稳健且可扩展。
Zulfiqar, Muhammad Imran · Ayesha, Khalid · Liming, Chen · Dhelim, Sahraoui
IEEE Transactions on Emerging Topics in Computational Intelligence 2025
用MC Dropout估计每个样本的不确定性，训练时按不确定性调整权重，让模型少受噪声样本带偏。
GMM对高置信样本聚类并生成软伪标签，进一步降低标签噪声，提升大模型训练稳定性。
框架计算高效，实验证明在多噪声水平与超参变化下仍表现优越，可直接用于医疗诊断和欺诈检测等真实场景。