Dans cette étude, nous examinons l'apprentissage profond robuste face à des données d'entraînement anormales sous l'angle du pondérage des exemples intégré aux fonctions de perte empiriques, c'est-à-dire la magnitude du gradient par rapport aux logits, un aspect qui n'a pas été suffisamment exploré jusqu'à présent. En conséquence, nous avons deux découvertes clés : (1) L'Erreur Absolue Moyenne (MAE) Ne Traite Pas Également les Exemples. Nous présentons de nouvelles observations et une analyse pertinente concernant la MAE, qui est théoriquement prouvée être robuste au bruit. Premièrement, nous mettons en lumière son problème de sous-apprentissage en pratique. Deuxièmement, nous analysons que la robustesse au bruit de la MAE provient de son accent mis sur les exemples incertains plutôt que de traiter les échantillons d'entraînement de manière égale, comme le prétendent les travaux antérieurs. (2) La Variance de la Magnitude du Gradient Compte. Nous proposons une solution efficace et simple pour améliorer la capacité d'ajustement de la MAE tout en conservant sa robustesse au bruit. Sans modifier le schéma global de pondération de la MAE, c'est-à-dire quels exemples reçoivent des poids plus élevés, nous modifions simplement sa variance de pondération de manière non linéaire afin d'ajuster le ratio d'impact entre deux exemples. Notre solution est appelée MAE Améliorée (IMAE). Nous démontrons l'efficacité de l'IMAE par des expériences exhaustives : classification d'images avec des labels propres, des labels synthétiques bruyants et des bruits réels inconnus dans le monde réel.