这篇论文介绍了一种交互式的 Systematic Error Analysis and Labeling (SEAL) 工具，使用两步法逐步确定高误差片段数据，同时使用语言模型和文本到图像模型来为性能低下的数据集提供人类可理解的语义，从而解决 NLP 领域中因标签缺失和缺乏可视化特征而面临的挑战。

Oct, 2022

该论文介绍了一个名为自助式躯体活动学习（Self-supervised Embodied Active Learning，SEAL）的框架，它使用训练于互联网图像的感知模型学习主动探索策略，并使用 3D 一致性对收集的观察结果进行标记，并利用 3D 语义地图在完全自我监督的情况下学习行动和感知，从而可以提高对目标的检测和分割的性能。

Dec, 2021

通过多级分层标签扩展的在线学习约束，我们提出了一种新的多级分级类增量任务配置，该配置允许网络首先学习粗粒化类别，并在各个层次深度中不断扩展到更精细粒度的类别。通过利用层次感知的伪标签技术，结合简单而有效的记忆管理和采样策略，我们的方法能够在所有层次的分层结构中显著提高分类准确性，无论层次深度和类别不平衡比例如何，并且在传统的不相交、模糊和 i-Blurry 的连续学习设置上也优于现有的最先进方法。

Aug, 2023

本文提出了一种层次化多标签表征学习框架，该框架可以利用所有可用标签并保留类别之间的层次关系，并引入新颖的层次保持损失。该方法是数据驱动的，自动适应任意多标签结构。实验表明，我们的关系保持嵌入在各种任务上表现良好，优于基线监督式和自监督式方法。

Apr, 2022

本文提出了一种结合半监督和主动学习的一致性半监督证据主动学习框架（CSEAL），通过建立在证据和主观逻辑理论上的预测不确定性，综合了半监督学习和基于不确定性的主动学习。我们在多标签胸部 X 射线分类任务上对该方法进行了广泛评估，并表明 CSEAL 相对于两个领先的半监督主动学习基线实现了实质性的性能提升。

Sep, 2022

使用 Hierarchical Dynamic Labeling（HDL）算法，不依赖于模型预测的方式利用图像嵌入生成样本标签，进而改善半监督学习中伪标签生成的表现，验证了表示网络比分类器或预测器更可靠的动机。

Apr, 2024

本研究提出一种名为 SEAL-CI 的半监督节点分类算法，针对具有层次图结构的节点进行建模，使用分层图互信息作为一个约束条件，能够提高图分类的准确性和效率。

Jun, 2022

本文提出了一种名为 SEAL 的方法，该方法使用基于高斯过程的信息融合实现最大化探索，同时进行通信图优化以实现相对定位，通过 Rao-Blackwellization 技术将这两个交叉依赖的目标进行整合，并使用分布式线性化凸壳优化来选择下一个最佳未开发的区域。在广泛的 ROS-Gazebo 模拟中，SEAL 在探索和定位性能上优于先进方法，说明了该方法在实际应用中的实用性。

Jun, 2023

我们介绍了一种 Label-Aware SCL 方法，通过利用类别之间的相似性，将层次信息融入到 SCL 中，从而创建一个更结构化和具有辨别性的特征空间，实现了更好的文本分类性能。

Jan, 2024

本文考察了在复杂预测任务中半监督学习的应用，提出了一种基于预测聚类树的（分层）多标签分类方法，并通过实验评估证明了该方法及其集成学习的显着优势。此外，该方法具有可解释性和时间复杂度优势。

Jul, 2022