深度生成模型的半监督学习
本文介绍了 Cluster-aware Generative Model 这一基于深度生成模型的半监督学习方法，利用未标记的数据点探索数据自然聚类模式，同时引入部分带标记的数据对模型进行优化，有效提高了模型性能。该模型也能够在完全无监督的情况下实现优异的对数似然性能。
Apr, 2017
通过利用变量之间的因果关系最大化利用所有可用数据，我们首次开发了半监督深层因果生成模型，以解决所提出的反事实问题，甚至对于具有不完整标签的样本，我们借助因果推断的技术来推断缺失值并生成逼真的反事实。
Mar, 2024
本文回顾了最近在无监督和半监督学习领域取得的进展，分类了一大类模型，并探讨了这些模型与探索新思想的相互作用以及它们在生成模型中的实现。文章还提出了将无监督预训练与有监督微调结合起来的未来方向，并展望了表示学习的未来方向。
Mar, 2019
本文针对深度半监督学习方法中的模型设计和无监督损失函数的透视，提供了关于基础和最新进展的全面调查，首先提出了将现有方法分类的深度半监督学习分类法，包括深度生成方法、一致性正则化方法、基于图的方法、伪标记方法和混合方法，然后全面回顾了 52 种代表性方法，并详细比较了这些方法在损失类型、贡献和架构差异方面的差异。除了过去几年的进展外，我们进一步讨论了一些现有方法的缺点，并提供了一些试探性的启发式解决方案来解决这些开放性问题。
Feb, 2021
本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。
Apr, 2021
本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络，实现在仅使用少量标签数据的情况下，超越当前最先进的深度生成模型，并在 ImageNet 的无监督合成和有条件的情况下，匹配 BigGAN 模型的样本质量。
Mar, 2019
本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。
May, 2019
本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。
May, 2017