AlphaMatch：利用 Alpha 散度改善半监督学习的一致性

Nov, 2020

AlphaMatch：利用 Alpha 散度改善半监督学习的一致性

AlphaMatch: Improving Consistency for Semi-supervised Learning with Alpha-divergence

Chengyue Gong, Dilin Wang, Qiang Liu

TL;DRAlphaMatch 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。

Abstract

semi-supervised learning (SSL) is a key approach toward more data-efficient machine learning by jointly leverage both labeled and unlabeled data. We propose alphamatch, an efficient SSL method that leverages data

semi-supervised learning alphamatch data augmentation alpha-divergence regularization

发现论文，激发创造

FixMatch：用一致性和置信度简化半监督学习

该研究论文通过半监督学习中的一种简单的组合方法 —— 一致性正则化和伪标记生成，提出了 FixMatch 算法，该算法可有效提高网络模型的性能，且在多项半监督学习标准测试中均实现了最先进的表现。

Jan, 2020

OpenMatch: 半监督学习的开集一致性规则化处理技术，适用于带有离群数据

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

DualMatch：具有双层交互的鲁棒半监督学习

提出了一种名为 DualMatch 的新型半监督学习方法，其中类别预测以双层交互方式调用特征嵌入，通过一致的正则化确保不同的增强视图受到一致的类别预测约束，并确保同一类别的不同数据具有类似的特征嵌入，实验证明了 DualMatch 的有效性。

Oct, 2023

MixMatch: 半监督学习的整体方法

本研究提出了一种半监督学习算法 MixMatch，采用猜测低熵标签的方法，通过使用 MixUp 混合标记和未标记的数据来处理扩充后的未标注样例。实验结果表明，MixMatch 在许多数据集和标记数据量上都取得了大幅度的优越结果，同时也证明了 MixMatch 如何帮助实现更好的准确性和隐私权的权衡。最终，我们进行了消融研究来分离 MixMatch 的哪些组件对其成功最为重要。

May, 2019

AstMatch：用于半监督医学图像分割的对抗自训练一致性框架

在本研究中，我们提出了一种对抗自我训练一致性框架 (AstMatch)，通过设计对抗一致性正则化方法增强知识传递，并在不同扰动强度下增强预测一致性，应用特征匹配损失进行对抗训练以获得高层一致性正则化，并引入金字塔通道注意力和高效通道空间注意力模块改进鉴别器性能，在众多半监督学习方法和三个公开数据集上进行广泛评估实验结果显示，AstMatch 的表现优于现有方法，达到了新的最优性能。

Jun, 2024

FreeMatch: 半监督学习中的自适应阈值化

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

AdaMatch：一种半监督学习和域适应的统一方法

介绍 AdaMatch 方法来统一无监督域自适应（UDA）、半监督学习（SSL）和半监督域自适应（SSDA）的任务，实现在一个数据分布上训练，在另一个数据分布上测试具有极高准确性的模型。实验结果表明，使用 AdaMatch 方法，无论是在哪个数据集或任务上，有标签还是无标签，其结果都能匹配或明显超过 SSL、SSDA 和 UDA 领域最先进的技术，而且仅使用相同的超参数即可。

Jun, 2021

利用所有未标记数据提升半监督学习

该论文提出两种新的技术（即熵值含义损失和自适应负样本学习），以更好地利用所有未标记的样本，并把它们与前沿的 FixMatch 框架相结合，通过多次实验在多个常见的 SSL 基准上表现出优越性能。

Mar, 2023

同时对一切进行对齐、蒸馏和增强以进行不平衡半监督学习

这篇研究提出了一种名为 ADALLO 的三方案框架，可解决长尾半监督学习中的类别不平衡问题，其中包括一个灵活的分布对齐机制、一个软一致性正则化机制和一个扩展未标记集的架构。该框架在不同程度的类别不平衡，不同数量的标记数据和分布不匹配的情况下在几个基准数据集上进行了评估，并展示了在大分布不匹配的情况下提高不平衡半监督学习表现的显著成果。

Jun, 2023

基于插值的对比学习用于少标签半监督学习

提出了一种基于插值方法的半监督学习算法来解决使用一些标签的数据集时一致性正则化方法的性能问题，并设计了一种新型对比损失来引导学习网络嵌入样本，实现更好的边界决策能力，通过实验证明，与现有算法相比，该算法可提高分类准确率 5.3% 以上。

Feb, 2022