연구진은 인간 레이블 없이 작동하며, 강한 클래스 오염에도 안정적이고, 교정된 불확실성 정량화 기능을 제공하는 실사기 분류 프레임워크를 개발했어요. 가짜 데이터와 오염된 조사 데이터로 훈련하고, 비대칭 코티칭 방식을 사용하여 클래스별 레이블 노이즈 수준 차이를 극복했어요. 단일 소스 식별의 한계를 극복하고, 불확실성이 의사 결정 경계와 일치하며 가짜 모집단 내의 하위 클래스를 드러내는 잠재 공간 분석 결과를 확인했어요.