MarginMatch 是一种结合一致性正则化和伪标记的新的 SSL 方法，其主要创新在于使用无标签数据的训练动态来衡量伪标签的质量，以确保屏蔽低质量预测；在低数据情况下，MarginMatch 在四个视觉基准测试以及两个大规模数据集上都取得了显著的改进，并且在每类只有 25 个标签的 CIFAR-100 上提高了 3.25％的错误率，在每类只有 4 个标签的 STL-10 上提高了 3.78％的错误率。

Aug, 2023

AlphaMatch 是一种高效的半监督学习方法，利用数据增强实现标签一致性，通过 alpha-divergence 使高置信度的数据优先接受正则化，使用基于优化的 EM 算法作为一致性的实现方式，可以在标准数据集上取得更好的表现。

Nov, 2020

本文介绍了一种名为 ConMatch 的新型半监督学习框架，它在图像的两个强大的增强视图的模型预测之间智能地利用一致性正则化，权重由伪标签的置信度确定。该方法通过弱增强视图作为锚点，提出了新的伪标签置信度度量方法，包括非参数方法和参数方法。特别是，在参数方法中，我们首次提出在网络内学习伪标签置信度，可以端到端地与骨干模型一起训练。在现有的半监督学习中加入 ConMatch 可以持续提高性能，本文通过实验和大量的消融研究证明了 ConMatch 的有效性。

Aug, 2022

本文介绍了一种针对半监督学习（SSL）的新方法 ——MutexMatch。该方法在利用高可信样本的同时，还充分利用低置信度样本，通过互斥约束来提高低置信度样本的质量，从而提高了在多个基准数据集上的分类准确度。

Mar, 2022

提出了一种名为 ReFixMatch 的新方法，旨在利用所有未标记数据进行训练，从而提高模型的泛化能力和在半监督学习基准测试上的性能。值得注意的是，ReFixMatch 在 ImageNet 上使用 10 万个标记示例时达到了 41.05％的 top-1 准确率，优于基准 FixMatch 和目前最先进的方法。

Aug, 2023

本文提出一种自适应阈值调整方法 FreeMatch，以更好地利用未标记数据，另外还引入了自适应类公平性正则化惩罚来促进模型多样性预测。实验证明 FreeMatch 相对于最新的 FlexMatch 方法在 CIFAR-10、STL-10 和 ImageNet 上均表现更加优越，可提高不平衡 SSL 的性能。

May, 2022

对 FixMatch 在半监督学习（SSL）基准测试中的成果进行了改进，提出了一种基于课程学习的伪标记方法（CPL），以便根据模型的学习状态利用未标记数据。在多个 SSL 基准测试中，CPL 可以提升 FlexMatch 性能并显著加速收敛速度。

Oct, 2021

本文提出了一种称为 OpenMatch 的开放集半监督学习方法，该方法利用 novelty detection 基于 one-vs-all classifiers 来拒绝处理 unlabeled data 中的离群值，同时引入了开放集软一致性正则化损失来增强 OVA-classifier 对于输入变换的平滑性，并在三个数据集上实现了最先进的性能。

May, 2021

在半监督学习中，引入了一种平滑伪标签损失函数来解决标签稀缺性带来性能不稳定的问题，并通过实验验证了其在稀缺标签情况下的显著改善。此外，还提出了一个新的基准测试，在整个数据集中随机选择标记的图像，以改进半监督学习算法的可靠性和解释性。

May, 2024

SelfMatch 是一个半监督学习方法，结合了对比自监督学习和一致性正则化的优势，经过两个阶段的自欺诈预训练和半监督微调，能够仅仅使用少量标签缩小半监督学习和有监督学习之间的准确率差距，在 CIFAR-10 和 SVHN 等基准数据集上都实现了最先进的结果。

Jan, 2021