在人類的教學過程中，老師扮演著重要的角色，通過為學生提供有用的解釋、比較、舉一反三等有效輔助知識，以提高他們的表現。受這一事實的啟發，學者們提出了多種特權信息學習范例，老師在訓練階段提供的有關示例的信息，測試過程無法獲取。實際情況下，現有方法缺乏解決數據中潛在噪聲的明確策略，同時特權信息可能并不總是準確的，這將影響模型的性能。針對以上問題，本文提出了針對普通數據、特權信息不準確以及特權信息缺失時的魯棒學習方法，基于SVM+目標函數，分別設計了魯棒SVM+策略和缺失情況的Incomplete SVM+方法，在MNIST+數據集、RGB-D人臉數據集、人類活動識別數據集和Tiny ImageNet分類數據集上的實驗結果表明，本文提出的方法能夠有效利用特權信息進行建模，讓AI模型具備“舉一反三”的學習能力。

文章鏈接：https://dl.acm.org/doi/10.5555/3304889.3304995