在实际项目中，噪声总是会存在，消除噪声需要付出额外的代价（机器，人力）。并且有时候，噪声也并不是那么好识别，那么噪声在真实工业界场景中的影响到底如何？
从一些项目中可以发现，有的模型，可以在噪声水平较高的水平下，得到跟去噪后差不多的效果。而有的模型则非常容易受到噪声影响，会显著降低其准确率。（去除噪声的方法有很多，大部分也跟具体应用场景以及研发人员对数据的解读有关。所以在此不进行过多延伸。）
从现象观察来看，噪声影响其作用大小的一个比较主要的因素是 ：【噪音对于不同label的数据是否均匀分布】，在均匀分布的情况下，模型能承受一定比例的噪声，而在有明显的倾斜时，会对预估结果造成比较大的影响。
其次是，受到【模型本身预估能力】的影响。在模型本身预估能力较强的情况下，受到噪声的影响也较小（可以理解为有较强的信号给予模型进行预估）。
在噪声的对抗中，低秩的假设，能对数据进行一定的去噪的优化。参考图像去噪声的Low-Rank Matrix Approximation方法.（目前LRMA主要有鲁棒主成分分析robust PCA, RPCA）、矩阵补全（matrix completion,MC）和低秩表示（low-rank representation，LRP）等三类模式。[1]
PS：在工科领域，理论作为引导，设计具体实验仍是鉴定其效果的最直接方法。
[1]: 原blog：http://blog.sina.com.cn/s/blog_bfb629e50102xhsw.html
