采用已有模型对更复杂的数据集进行应用，探索模型参数的影响，并提出了一种半监督改进方法 SemiPL。实验结果表明，参数调整对现有模型产生积极影响，特别是在混乱环境下，SSPL 相较于提供的结果，标准化 IoU 改进了 12.2％，AUC 改进了 0.56％。

Apr, 2024

基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

Jul, 2023

本文提出一种新的半监督分类方法，通过将无标签数据引入到分类模型中，使模型的下降边界可以与无标签数据的数量成比例而不需要假设簇的条件。经过实验证明这种方法的有效性。

May, 2016

本文比较了利用事件真值标签和利用类别比率这两个训练机器学习算法的方式，发现弱监督方法能够在信息不足的情况下提供令人满意的性能，并且在粒子物理学中得到了应用。实验证明，弱监督神经网络对于训练样本被误分类的问题具有极强的鲁棒性，并且与全监督神经网络相比可以探测到不同的运动学参数，表现出不同的事件级输出。由此，我们可以通过结合两种类型的网络输出来提高机器学习算法的分类能力。

Jun, 2017

提出了一种新型的混合伪标签框架（HPL-ESS），用于减轻噪声伪标签的影响，并通过软原型对齐模块进一步改善目标领域特征的一致性，实验证明该方法在 DSEC-Semantic 数据集上的准确性和平均交并比（mIoU）等性能优于现有的最先进方法。

Mar, 2024

本文提出了一种无监督事件抽取流程，使用先进的预训练语言模型并匹配语义，有效将事件映射到预定义的事件类型上，最终表现出色，成功地将 83% 的触发器和 54% 的参数映射到了正确类型。

Dec, 2020

提出了基于自监督学习的框架用于检测和识别各种类型的网络攻击，该框架利用大量未标记的感知数据中的隐式模式来学习具有概括性和有效性的表示，同时结合少量标记数据训练特定任务的分类器，以及提出了一种新的损失函数来解决现实世界中训练数据不平衡的问题，实验结果表明该框架在电力网系统中表现出优越的性能。

May, 2024

通过扩散模型提出的对抗净化方法在对抗攻击下大幅提高了事件分类器的准确率，满足实时操作需求，同时减小了原始和受损的数据之间的距离，降低了对抗攻击的影响。

Nov, 2023

本研究提出了一种新颖的、具有层级结构的半监督事件建模框架，结合序列潜变量模型和本体知识，通过一系列的结构化潜变量层对语义知识进行制导，成功提高事件建模的表现，并在两个数据集上的四种不同评估指标上均优于先前现有的最佳方法。

Dec, 2022

本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架，通过引入 STE 和 CBV 模块提高了教师模型的性能，同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明，在 ONCE 和 Waymo 数据集上，我们的方法显著提高了基线，同时在 Waymo 数据集上，只使用了一半的注释即可超过完全注释的 oracle 模型。

Jul, 2022