用专业语言改写下面一段话：MOIT将有监督对比学习和分类分支相结合处理噪音问题引入插值有监督对比损失提取特征同时采用memory bank手段记录之前的一些样本作为负例样本提高样本量在特征空间利用KNN筛选clean标签集合筛选后利用半监督学习构造伪标签结合分类分支的输出得到交叉熵损失对比损失和分类损失相加共同进行网络更新另外可以通过直接在提取出的clean集合上考察交叉熵来refineMOIT+

MOIT采用了监督对比学习和分类分支相结合的方法来处理噪音问题。它引入了插值有监督对比损失来提取特征。同时，还采用了memory bank的方式，将之前的一些样本记录下来作为负例样本，以增加样本量。在特征空间中，使用KNN算法筛选干净的标签集合。筛选后，利用半监督学习构造伪标签，将其与分类分支的输出结合，得到交叉熵损失。最后，将对比损失和分类损失相加，一起进行网络更新。此外，还可以通过直接在提取出的干净集合上计算交叉熵来进行精细调整（MOIT+）。