1. 模型一开始会快速的学习简单的样本，后面开始学习难/带噪样本
    2. 为了提升鲁棒性，我们希望能够一定程度的丢弃这种难样本，适当的学习

    方法就是训练两个网络

    1. 对于当前的Batch，送入网络1，得到每一个的loss1，送入网络2，得到每一个loss2
    2. 选择loss1里小的T%的数据，用于训练网络2，反之用loss2里最小T%的数据训练网络1

    当然可以只用一个网络，但是这样可能会因为一些错误筛选的样本导致错误的累积，因此用两个网络这样互相训练会好一点

    image.png

    Noise Transition Matrix就是把一类样本标注为另一类样本的概率（注入错误的标签，即噪声）