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

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

现有的半监督学习算法采用伪标记和一致性调节技术来引入未标记样本的监督信号。本文通过对未标记数据的预测来估计模型的学习状态，并提出了一种基于类别的自适应阈值机制，同时设计了一种二元分类一致性调节方法来区分未标记样本中的候选类别。通过结合上述策略，我们提出了一种名为 AllMatch 的新型 SSL 算法，其改进了伪标记准确性并实现了未标记数据的 100% 利用率。我们在多个基准数据集上广泛评估了我们的方法，包括平衡和不平衡设置。结果表明，AllMatch 始终优于现有的最先进方法。

Jun, 2024

我们提出了一种轻量级通道级集成方法，用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签，该方法可轻松扩展到任何半监督学习框架，并在 CIFAR10/100 上显著优于现有技术，无论是在效果上还是效率上。

Mar, 2024

本文介绍了基于样本加权统一公式的伪标签方法及其 inherent quantity-quality trade-off 问题，并提出了利用截断高斯函数对置信度加权以实现软的置信度阈值。加强了弱学习类别的利用，在图像分类、文本分类和非平衡分类等多种基准测试中都取得了显著的改进。

Jan, 2023

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

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

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

我们提出了一种基于实例的阈值函数，通过利用实例级别的模糊度和伪标签的实例相关错误率，为所有无标签实例设计了新颖的实例相关阈值函数，从而具有最高的自由度，同时为伪标签的正确性提供了有界的概率保证。

Oct, 2023

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