本研究提出了一种融合程序性弱监督和生成对抗网络的模型，通过对数据的离散潜变量和弱监督派生数据的标签估计进行对齐，从而更好地建模样本相关的弱监督结果的准确性，并通过合成样本实现了数据增强。实验结果表明，所提出的模型在多分类图像分类数据集上表现优异，同时提升了生成图像的质量和最终模型性能。

Mar, 2022

通过使用强化学习反馈和直接优化方法，我们提出了一种数据增强方法和优化模型来处理大型语言模型生成的无效问题，实验结果显示，经过优化的 LLama 2 模型在生成有效问题方面优于现有的方法。

Mar, 2024

本文研究了如何使用数据增强处理众包数据中的稀疏性问题，特别地，我们提出了使用生成对抗网络来直接学习分类器，以解决存在于众包数据中的标注不足问题。在三个现实世界数据集上进行的广泛实验和与当前最先进的众包学习方法的比较证明了我们的数据增强框架的有效性，展示了我们算法在低成本众包中的潜力。

Jul, 2021

本文介绍了一种基于问题驱动的无监督预训练目标 ——Socratic 预训练，该方法使得预训练模型更加高效地遵循用户提供的查询，并识别相关内容进行长文本可控摘要。作者的实验结果表明，Socratic 预训练方法不仅具有较高的性能，而且将特定任务的标记数据需求减少了一半。

Dec, 2022

利用迭代方法的变分技术，基于生成模型，研发半监督学习的新算法，解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合，灵活、高效、可拓展，为半监督学习提供了有力支持。

Jun, 2014

这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性，实现模型的半监督贝叶斯主动学习，并且通过全贝叶斯判别组件实现参数值不确定性的估计。

Jun, 2017

本文提出了一种弱监督算法来克服深度生成模型中的数据集偏差，该方法通过额外的小型未标记参考数据集作为监督信号来探测现有数据集中的偏差，并学习生成模型。实验结果表明，该方法降低了基于潜在因素的偏差达到了高达 34.6％，在同时使用基于生成对抗网络的图像生成的情况下，数据效率显著提高。

Oct, 2019

通过创建数据集并使用不同的语言模型进行基准测试，我们介绍了一个多轮 Socratic 建议的手动数据集，旨在帮助初学者程序员修复简单计算问题的错误解决方案，以及自动化 Socratic 对话代理的调试能力评估。

Oct, 2023

本文提出了一种自洽学习的框架，利用生成对抗网络的生成模型和判别模型的博弈优化，使两者协同训练，避免了 GAN 训练不稳定的问题，并在句子语义匹配问题上实现了较好的性能。

Mar, 2023

该研究论文展开了交互式弱监督学习框架的研究，该框架中，方法提议启发式方法并从用户每个被提议的启发式反馈中学习，其实验表明只需要少量的反馈迭代就可以训练模型达到高竞争的测试集性能，而不需要访问本文中使用的标签数据。

Dec, 2020