In diesem Artikel führen wir das neuartige Konzept eines Advisor-Netzwerks ein, um das Problem von verrauschten Etiketten bei der Bildklassifikation anzugehen. Tiefe neuronale Netze (DNN) neigen dazu, bei Trainingsdaten mit verrauschten Annotationen an Leistung zu verlieren und überzufitten. Gewichtungsmethoden für die Verlustfunktion zielen darauf ab, den Einfluss verrauschter Etiketten während des Trainings zu verringern, indem die Beiträge dieser Beispiele vollständig eliminiert werden. Dieser Ausschlussprozess verhindert, dass DNNs falsche Assoziationen zwischen Bildern und ihren korrekten Etiketten lernen, reduziert jedoch gleichzeitig die Menge an verwendeten Daten, insbesondere wenn die Mehrheit der Beispiele verrauschte Etiketten aufweist. Im Gegensatz dazu gewichtet unsere Methode die aus dem Klassifikator direkt extrahierten Merkmale, ohne die Verlustwerte einzelner Datenpunkte zu verändern. Der Advisor hilft dabei, sich nur auf einen Teil der in fehlerhaft etikettierten Beispielen enthaltenen Information zu konzentrieren, sodass der Klassifikator diese Daten dennoch nutzen kann. Wir haben es mit einer Meta-Lernstrategie trainiert, sodass es sich während des Trainings des Hauptmodells anpassen kann. Wir haben unsere Methode an CIFAR10 und CIFAR100 mit synthetischem Rauschen sowie an Clothing1M, das echtes, realweltbezogenes Rauschen enthält, getestet und erreichten dabei Ergebnisse auf State-of-the-Art-Niveau.