在以往的研究中，弱标签下的视频异常检测被表述为一个典型的多实例学习问题。本文提供了一种新的视角，即将其视为在噪声标签下的监督学习任务。在这种观点下，只要清除标签噪声，我们就可以直接应用全监督的动作分类器进行弱监督的异常检测，并充分利用这些已经发展成熟的技术。为此，我们设计了一个图卷积网络来校正噪声标签。该网络基于特征相似性和时间一致性，从高置信度片段向低置信度片段传播监督信号。通过这种方式，网络能够为动作分类器提供干净的监督信息。在测试阶段，我们只需要从动作分类器获取片段级别的预测结果，而无需任何额外的后处理步骤。我们在三个不同规模的数据集上进行了广泛的实验，并使用了两种类型的动作分类器，实验结果证明了我们方法的有效性。值得注意的是，在UCF-Crime数据集上，我们的帧级AUC得分为82.12%。