Die erfolgreiche Schulung tiefer neuronaler Netze mit verrauschten Etiketten ist eine entscheidende Fähigkeit, da die meisten realen Datensätze eine gewisse Menge an falsch etikettierten Daten enthalten. Unbehandelt führt Label-Rauschen zu einer erheblichen Verschlechterung typischer überwachter Lernansätze. In diesem Paper präsentieren wir robuste zeitliche Ensembling (RTE), das robuste Verlustfunktionen mit semi-superviseden Regularisierungsmethoden kombiniert, um lernstabil gegenüber Rauschen zu erreichen. Wir zeigen, dass RTE state-of-the-art-Leistung auf den Datensätzen CIFAR-10, CIFAR-100, ImageNet, WebVision und Food-101N erzielt, ohne dabei der jüngsten Tendenz zu folgen, Etiketten zu filtern und/oder zu korrigieren. Schließlich zeigen wir, dass RTE zudem eine konkurrenzfähige Robustheit gegenüber unerwartetem Eingaberauschen aufweist, wie anhand des CIFAR-10-C-Datensatzes demonstriert wird: Bei einer Rauschrate von 80 % erreicht RTE eine mittlere Verfälschungsfehlerquote (mCE) von 13,50 %, verglichen mit 26,9 % mCE bei herkömmlichen Methoden auf sauberen Daten.