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

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

本文提出了基于Pair Loss和MixMatch技术的SimPLE算法，通过挖掘标记和未标记数据之间的关系，显著提升了 CIFAR-100 和 Mini-ImageNet 上的性能，并在 CIFAR-10 和 SVHN 上达到了最新方法的水平。此外，SimPLE算法还在迁移学习设置中优于预训练模型。

Mar, 2021

本文针对有限标注信息下的半监督学习进行研究，分析了当前应用最广的半监督学习方法FixMatch在这种情况下的表现和局限，提出了一种利用自监督学习方法提供训练信号以及优化伪标签筛选过程的方案，并在STL-10数据集上得到了显著提高。

Dec, 2021

本文提出一种自适应阈值调整方法FreeMatch，以更好地利用未标记数据，另外还引入了自适应类公平性正则化惩罚来促进模型多样性预测。实验证明FreeMatch相对于最新的FlexMatch方法在CIFAR-10、STL-10和ImageNet上均表现更加优越，可提高不平衡SSL的性能。

May, 2022

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

该论文提出两种新的技术（即熵值含义损失和自适应负样本学习），以更好地利用所有未标记的样本，并把它们与前沿的 FixMatch 框架相结合，通过多次实验在多个常见的 SSL 基准上表现出优越性能。

Mar, 2023

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

自适应阈值伪标注策略和不可靠样本对比损失被提出用于半监督学习中，以解决图像分类中现有方法自定义/固定阈值或自适应调整方案可能导致性能不佳和收敛缓慢的问题，以及舍弃低置信度的未标记数据可能导致信息损失的问题。实验结果表明，该方法在部分标记的设置下优于其他方法。

Jul, 2024

本研究解决了开放世界半监督学习（OwSSL）中的一个重要问题，即未标记数据可能包含来自未见类别的样本，导致分类准确性下降。我们提出了一种名为OwMatch的框架，通过条件自标注和开放世界分层阈值相结合，确保自标注分配估计器的无偏性，实验结果表明该方法在已知和未知类别上均显著提高了性能。

Nov, 2024