标签噪声是网络入侵检测（NID）中的一个重大挑战，会导致错误分类并降低检测准确率。现有处理噪声标签的方法通常缺乏对网络流量的深入理解，盲目重建标签分布以过滤带噪声样本，从而性能欠佳。本文从因果关联的角度揭示了噪声标签对入侵检测模型的影响，将性能下降归因于网络流量中不同类别特征的局部一致性。受此启发，作者提出了CoLD——一种面向网络入侵检测的协同标签去噪框架。CoLD将原始特征集划分为多个子集，采用局部联合学习破坏局部一致性，迫使编码器学习细粒度且鲁棒的表示。进一步地，应用因果协同去噪，通过分析多个表示与其潜在真实标签之间的因果差异来检测并过滤噪声标签，从而得到纯净的数据集用于训练抗噪声分类器。在多个基准数据集上的实验表明，CoLD有效提升了分类性能和对标签噪声的鲁棒性，凸显了其在嘈杂环境中增强网络入侵检测系统的潜力。