我院2020级本科生马天昊和2021级本科生陈瀚（唐敖庆实验班）共同撰写的论文“Forming Auxiliary High-confident Instance-level Loss to Promote Learning from Label Proportions”被CVPR 2025录用，指导教师包括胡俊成老师，朱允刚副教授和李熙铭教授（通讯作者）。

标签比例学习（LLP）是一种弱监督学习方法，训练分类器时仅提供“数据包”（每组包含多个样本）和包内各类别的占比，而无需知道每个样本的具体标签。然而，传统方法依赖伪标签构建实例级损失时，常因预测过度平滑导致伪标签可信度不足，尤其在大规模数据包中更为显著，严重制约分类器性能。为此，我们提出L^2P-AHIL方法，通过双重熵权重（DEW）自适应评估伪标签置信度：从包的角度约束包内预测比例与真实标签分布一致，从实例的角度避免实例级预测陷入过度平滑。基于DEW筛选的高置信度伪标签，我们构建了可靠的实例级损失函数，并通过自训练框架联合优化包级与实例级损失，实现模型的协同训练。实验表明，L^2P-AHIL在多个基准数据集上显著优于现有方法，特别是在大规模数据包上，性能优势进一步扩大，为医疗图像处理、雷达图像分类等需大规模弱标注的场景提供了更鲁棒的解决方案。

CVPR（Conference on Computer Vision and Pattern Recognition，计算机视觉与模式识别会议）是计算机视觉领域全球顶级会议之一，也是计算机学会收录的A类会议（CCF-A）。CVPR 2025预计将于2025年6月11日至15日在美国纳什维尔举行。