在人类的教学过程中，老师扮演着重要的角色，通过为学生提供有用的解释、比较、举一反三等有效辅助知识，以提高他们的表现。受这一事实的启发，学者们提出了多种特权信息学习范例，老师在训练阶段提供的有关示例的信息，测试过程无法获取。实际情况下，现有方法缺乏解决数据中潜在噪声的明确策略，同时特权信息可能并不总是准确的，这将影响模型的性能。针对以上问题，本文提出了针对普通数据、特权信息不准确以及特权信息缺失时的鲁棒学习方法，基于SVM+目标函数，分别设计了鲁棒SVM+策略和缺失情况的Incomplete SVM+方法，在MNIST+数据集、RGB-D人脸数据集、人类活动识别数据集和Tiny ImageNet分类数据集上的实验结果表明，本文提出的方法能够有效利用特权信息进行建模，让AI模型具备“举一反三”的学习能力。

文章链接：https://dl.acm.org/doi/10.5555/3304889.3304995