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

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

AlphaMatch 是一种高效的半监督学习方法，利用数据增强实现标签一致性，通过 alpha-divergence 使高置信度的数据优先接受正则化，使用基于优化的 EM 算法作为一致性的实现方式，可以在标准数据集上取得更好的表现。

Nov, 2020

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

本文提出一种新的自我监督学习（SSL）方法，通过构建序列视图间的对比学习来改进序列推荐问题的效果，为了解决数据稀疏性和噪音问题，提出了三种模型增强方法以构建视图对，实验表明模型增强对于增强 SSL 中的序列推荐任务效果是有效的。

Mar, 2022

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

本文提出基于分布对齐和数据增广锚定的混合增广半监督学习算法 ReMixMatch ，通过学习增广策略提高数据效率，实验结果表明其比之前算法更为高效。

Nov, 2019

本研究提出了一种半监督学习算法 MixMatch，采用猜测低熵标签的方法，通过使用 MixUp 混合标记和未标记的数据来处理扩充后的未标注样例。实验结果表明，MixMatch 在许多数据集和标记数据量上都取得了大幅度的优越结果，同时也证明了 MixMatch 如何帮助实现更好的准确性和隐私权的权衡。最终，我们进行了消融研究来分离 MixMatch 的哪些组件对其成功最为重要。

May, 2019

SelfMatch 是一个半监督学习方法，结合了对比自监督学习和一致性正则化的优势，经过两个阶段的自欺诈预训练和半监督微调，能够仅仅使用少量标签缩小半监督学习和有监督学习之间的准确率差距，在 CIFAR-10 和 SVHN 等基准数据集上都实现了最先进的结果。

Jan, 2021

本文提出了一种创新的特征提取和扩增方法，利用聚类提取的内部和跨类别原型代表信息，生成各式各样的复杂变换，结合传统图像扩增用于一致性正则化损失，实验验证结果表明在小尺寸数据集上与当前先进技术相当，且可以扩展到更大的数据集，例如 CIFAR-100 和 mini-Imagenet 上取得重大进展，并在 DomainNet 上实现更好的鲁棒性。

Jul, 2020