本文对多种半监督学习技术在不同数据集上进行实证研究，探讨标记数据和未标记数据的独立性、相关性、数量和噪声对学习效果的影响，同时针对样本选择偏差实现双变量 Probit 技术进行校正。

Sep, 2011

提出了一种能够在只有单类样本和无标签数据的情况下运作的主动学习算法，该方法通过分别估计正样本和未标记点的概率密度，计算信息性的期望值以获取更好的信息性度量。与其他类似方法相比，实验和经验分析结果表现出有前途的结果。

Feb, 2016

本文介绍了一种利用无标签数据生成泛化界限的方法，并证明了其对 0-1 经验风险最小化和梯度下降训练的线性分类器是有效的。实证表明，该界限提供的泛化保证可以在计算机视觉和自然语言处理任务中跟踪实际表现。

May, 2021

本文介绍了使用正样本和未标注样本进行 PU 学习的方法，即使正样本在数据分布中不具有代表性，也可以通过只固定负类分布来解决正偏差问题。通过将负 - 未标注学习与未标注 - 未标注学习相结合或利用递归风险估计方法，可以解决正偏差问题。然后，作者提出一种通用的方法来解决 PU 风险评估的过度配合问题。实验结果表明，无论数据集如何，这两种方法都是有效的。

Feb, 2020

基于正无标（PU）学习目标是基于包含正例和无标实例的训练数据训练一个二元分类器，其中无标观察可以属于正类或负类。本文提出了一种简单且计算速度较快的测试方法，用于确定观察数据是否符合 SCAR 假设，并在实验中成功地检测了多种与 SCAR 场景不符的偏差。这种测试方法可以用作预处理步骤，用于在未知标签机制的情况下决定选择哪个最终的 PU 算法。

Mar, 2024

本文提出了一种基于深度网络记忆特性的新样本选择方法，将大损失的未标记数据标记为 P，并开发了一种能够适当处理此种偏见数据的学习目标，实验证实了该方法在正无标注学习中的卓越表现 。

Jan, 2019

本论文探讨选择性标签下算法辅助决策学习的问题，介绍为什么标准方法无法有效处理选择性标签的普遍选择偏误问题，提出了一种数据增强方法，既可以利用专家一致性减轻选择性标签导致的部分盲目性，也可以经验验证学习是否会导致易受系统性歧视的不可靠模型。

Jul, 2018

本文提出了一种基于概率差距的 PU 学习算法，该算法通过利用条件概率 P (Y=1|X) 对正样例进行有偏重采样，并将未标记数据视为噪声负样例，从而自动标记一组正负样例，这些样例的标签与贝叶斯最优分类器分配的标签相同。通过核均值匹配技术纠正其偏差。实验结果表明，该方法在生成的和现实世界的数据集上均表现良好。

Aug, 2018

使用轻量级贝叶斯处理和基于大规模预训练模型的即用型零样本预测器，解决了现实场景中标记错误、重复或有偏差的数据在训练中的问题，提高了模型的训练效率。

Aug, 2023

本文提出一种新的半监督分类方法，通过将无标签数据引入到分类模型中，使模型的下降边界可以与无标签数据的数量成比例而不需要假设簇的条件。经过实验证明这种方法的有效性。

May, 2016