本文提出了一种基于深度度量嵌入的半监督学习算法，利用少量标注数据和无标注数据的相对距离关系约束，得到在欧氏空间内区分力强的分类器，并可用于基于最近邻分类的应用。

Nov, 2016

介绍了一种名为 Self Meta Pseudo Labels 的半监督学习方法，在不使用教师模型的情况下，利用单一模型生成伪标签和进行分类，从而显著降低了内存使用，并取得与 Meta Pseudo Labels 方法相似的性能。

Dec, 2022

本文提出了一种自我训练的框架，利用未标记的数据来提高检索性能，使用伪标签增强了师生模型的性能，通过自监督表示学习初始化，设计了用于学生网络的新的特征基础函数学习组件来更好地处理师傅网络产生的伪标签噪声，并在标准检索基准上进行了评估，结果表明，该方法在性能上显著优于现有方法。

Nov, 2020

该研究提出了一种无监督框架，用于针对性地寻找训练样例。该方法仅需要一组与目标应用程序相关的图像和有效的初始表示，其中正样例是单个流形上的远点，而负样例是不同流形上的相邻点。这种方法可应用于预训练网络的无监督微调，用于细粒度分类和特定物体检索。与之前的完全或部分有监督的模型相比，我们的模型表现出相似或更好的性能。

Mar, 2018

本文研究在没有监督训练下在时间上连续的视频数据中进行无监督特征学习的方法，主要包含自编码器、时间和稀疏性正则化、缓慢特征学习和度量学习，最终得到一个更具有时间和语义一致性的度量方法。

Dec, 2014

本文提出了一种基于无监督聚类算法的伪标签来生成深度度量学习中的标签，使用自监督 (SS) 任务的无监督深度度量学习 (UDML)，并通过预测图像旋转来规范化训练过程，从而实现了聚类嵌入、自监督预期任务和一致性优化的联合学习。

Nov, 2019

本文提出了一种无监督方法，使用基于图的聚类方法获取数据的伪标签，并使用三元组来引导度量学习，使用概率损失来最小化违反角度约束的几率，从而实现无需使用类标签的度量学习。研究表明，该方法具有竞争力，并对该方法的不同组成部分进行了全面研究。

Aug, 2020

提出了一种算法，旨在学习最适合构建图的向量表示，以便在其上有效地解决半监督算法的任务。

Nov, 2015

该论文提出了一个通用的框架，使用未标记的数据通过标签传播方法来增加训练数据，从而促进在目标识别、半监督学习、迁移学习和少样本学习等任务中的快速推广，并展示了标签传播方案在相似度度量从相关域转移的情况下非常有效。通过利用未标记数据提高各种任务的表现。

Dec, 2018

本文提出了一种基于 P3M 度量学习框架的文档级关系抽取方法，使用正向增强和混合方法进行正向无标签学习，改进了文档级关系抽取的 F1 分数。

Jun, 2023