本文介绍了一种名为 ConMatch 的新型半监督学习框架，它在图像的两个强大的增强视图的模型预测之间智能地利用一致性正则化，权重由伪标签的置信度确定。该方法通过弱增强视图作为锚点，提出了新的伪标签置信度度量方法，包括非参数方法和参数方法。特别是，在参数方法中，我们首次提出在网络内学习伪标签置信度，可以端到端地与骨干模型一起训练。在现有的半监督学习中加入 ConMatch 可以持续提高性能，本文通过实验和大量的消融研究证明了 ConMatch 的有效性。

Aug, 2022

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

CoMatch 是一种新的半监督学习方法，它通过学习数据的两种表示（类概率和低维嵌入）相互作用来统一主流方法并解决其局限性，并在多个数据集上实现了最先进的性能。

Nov, 2020

本文详细介绍了约束聚类算法的背景和各种可用约束类型的评级分类，重点研究了基于实例级对偶约束的约束聚类及应用程序和历史背景，并对 307 种约束聚类方法进行了统计分析，根据其受欢迎程度和验证质量对其进行了分类和排名评分，最后提供了潜在的陷阱和未来的研究方向。

Feb, 2023

本篇论文从分布级别和实例级别两个不同但互补的视角提出了一个简单而有效的 LabelMatch 框架，用于解决自我训练期间存在的标签不匹配问题，并通过 Proposal Self-assignment 机制确定准确的伪标签来促进学生和教师之间的匹配。在 MS-COCO 和 PASCAL-VOC 数据集上的实验结果表明，所提出的框架明显优于其他现有方法。

Jun, 2022

提出了一种名为 UnMixMatch 的半监督学习框架，该框架可以从无约束的未标记数据中学习有效表示，以提高性能。它由三个组件组成：具有硬增强的监督学习器提供强大的正则化，对照一致性正则化器从未标记数据中学习底层表示以及自监督损失用于增强从未标记数据中学习的表示。在 4 个常用数据集上进行了实验，在现有的半监督方法上表现出卓越的性能提高 4.79%。广泛的消融和敏感性研究表明了我们方法的每个提出组件的有效性和影响。

Jun, 2023

提出了一种名为 JointMatch 的新方法，用于半监督文本分类，通过结合最近半监督学习和学习带有噪声任务的理念，解决了伪标签偏见和错误积累的问题。JointMatch 通过根据不同类别的学习状态自适应调整类别阈值，减轻了模型对当前容易类别的偏见。此外，JointMatch 通过利用两个初始化不同的网络以交互标记的方式互相教导，减轻了错误的积累问题。实验结果表明，JointMatch 在基准数据集上表现优越，在平均上提高了 5.13% 的性能。“尤其值得注意的是，即使在极度稀缺标签的情况下，JointMatch 在 AG News 上的准确率达到了 86%，每个类别仅有 5 个标签。我们将我们的代码发布在此 https URL。

Oct, 2023

本文提出了一种新的半监督学习框架 SimMatch，该框架同时考虑语义相似性和实例相似性，并通过一致性正则化将这两种相似性转换为更可靠的匹配目标，实现了半监督学习任务的性能提升，特别是在 ImageNet 数据集上，1％和 10％标记示例的 Top-1 准确率均显着优于基线方法和以前的半监督学习框架。

Mar, 2022

本文提出了一种新的受限聚类算法，该算法可以在考虑已有对比信息的情况下最大程度地满足约束条件，而不会将已知的链接信息转化为距离信息，以此来高效地学习核与度量，并在各种公共数据集上的表现明显优于现有方法。同时，本文还探讨了该方法如何应用于大数据处理，可以有效提高可扩展性。

Mar, 2022

本文提出了一种半监督学习框架，为无标签图像对增加循环一致性限制，在监督丢失和无监督训练中实现了最先进的语义匹配性能。

Jan, 2019