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

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

基于理论分析和经验实验证明，特征提取层和线性分类层在响应伪标签时具有不同的学习行为。我们开发了两种层特定的伪标签策略：Grad-ReLU 可以通过在线性分类层中消除伪标签的梯度不利影响来减轻噪声伪标签的影响，Avg-Clustering 可以通过整合一致输出来加快特征提取层向稳定聚类中心的收敛速度。我们的方法 LayerMatch 集成了这两种策略，可以避免线性分类层中噪声伪标签的严重干扰，同时加速特征提取层的聚类能力。经过大量实验，我们的方法在标准半监督学习基准上始终展现出卓越的性能，相对基准方法提升了 10.38%，相对最先进的方法提升了 2.44%。

Jun, 2024

本文提出了 SemCo 方法，该方法结合标签语义和联合训练来解决半监督学习中伪标记质量差的问题，该方法在各种 SSL 任务中实现了最先进的性能，例如使用 1000 个标记的样本的 Mini-ImageNet 数据集上提高了 5.6％的准确性。

Apr, 2021

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

本文重新审视了伪标记的概念，提出了一种基于半监督学习的方法，通过将伪标记应用于无标签集中的样本，并利用已训练好的模型标记这些样本，然后迭代重复此过程来训练模型。本文通过实验证明，伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果，并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在 CIFAR-10 数据集上，本文仅使用了 4,000 个标记样本，达到了 94.91% 的准确率，在 Imagenet-ILSVRC 数据集上，本文仅使用了 10％的标记样本，达到了 68.87％的 top-1 的准确率。

Jan, 2020

本文提出一种基于不确定性的假标签选择框架，通过减少训练过程中的噪音来提高假标签的准确性，并可以生成负假标签用于多标签分类和负学习，相比于最近的半监督学习方法在 CIFAR-10、CIFAR-100、UCF-101 和 Pascal VOC 数据集上获得了很好的性能。

Jan, 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

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

本文提出了一种利用伪标签进行半监督语义分割训练的策略，通过合理融合不同来源和强数据增强来生成实验结果验证有效性。

Oct, 2020