- 基于可穿戴设备的野外瞬时压力检测的半监督学习和数据增强
本研究讨论了在野外利用未标记的可穿戴传感器数据进行压力检测的方法，该方法结合了数据增强技术、自编码器和半监督学习等方法，通过实验验证，相较于基准监督学习模型，可以将压力分类性能提高 7.7% 到 13.8%。
- CVPR半监督学习的对比正则化
本文中提出的聚类特征对比正则化方法在半监督学习中取得了最先进的结果，通过聚类伪标签的归属特征来更新模型，以便更有效地将标记信息传播到更多未标记样本。
- ABC: 辅助平衡分类器用于半监督不平衡类别学习
本文提出了一种可扩展的类不平衡半监督学习算法，它可以有效地利用未标记的数据，同时通过引入单层的辅助平衡分类器（ABC）来缓解类别不平衡问题，并使用一种新的半监督学习技术（一致性正则化）去平衡分类器，从而在四个基准数据集上实现了最先进的性能。
- ICML一致性正则化可提高标签噪声下的鲁棒性
本论文实验证明，鼓励一致性规则的简单损失函数可以显著提高模型对噪声标签的鲁棒性。
- 时尚配合的半监督视觉表示学习
本文提出了一种半监督学习方法，其中利用大型未标记时尚语料库来在训练期间动态创建假正向和假反向服装，通过提出的一致性规则来确保原始图像和其转换的表示是一致的，实现多属性的学习，在 Polyvore、Polyvore-D 和新建的大规模时装套装 - SemiFed: 带一致性和伪标记的半监督联邦学习
本文提出了一种名为 SemiFed 的新框架，它将一致性正则化和伪标记方法融合到了联合学习中，以解决跨数据中心联合学习中的部分标记问题，并证明了该方法在同质化和异质化数据分布设置下的有效性。
- 通过对比插值一致性进行持续的半监督学习
本文探讨了基于少量标注数据的持续半监督学习问题，并设计了一种利用度量学习和一致性正则化的新方法，仅依赖 25% 的监督数据即可优于全监督训练下的 SOTA 方法。
- 多源域自适应目标检测
本研究提出了一种基于 Faster R-CNN 的统一框架 DMSN，采用分而治之的策略进行特征对齐和反神经网络的训练，实现同时提高域不变性和保持判别能力，具有很强的适应性和泛化性能。
- 通过客户间关系匹配的联合半监督医学图像分类
本论文研究了一个名为 Federated Semi-supervised Learning 的实际而具有挑战性的问题，旨在通过联合利用标记和未标记客户的数据来学习联邦模型，并提供了一种新颖的方法来通过与新的客户关系匹配方案来改进传统的一致性 - ACL跨语言细调的一致性正则化
本研究提出采用一致性正则化改进跨语言 fine-tuning 的方法，通过示例一致性正则化对子词采样、高斯噪声、代码切换和机器翻译四种数据增广方式的敏感性进行惩罚，并采用模型的一致性正则化方法对同一训练集上经过增广的两个版本的模型进行规范化 - 动态蒸馏网络用于跨域少样本识别及无标签数据
本研究针对跨域 few-shot 识别存在的问题，提出了一种动态蒸馏方法来实现无标注的图像分类，并通过弱强增强版本的预测结果进行匹配，使得网络可以轻松地适应目标域，达到 4.4% 的 1-shot 和 3.6% 的 5-shot 分类性能提 - CVPR具有交叉伪监督的半监督语义分割
本文中，我们提出了一种新的一致性正规化方法，名为交叉伪监督（CPS），通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和 PASCAL VOC 2012 上，我们的方法实现了半监督分割性能的最新水平。
- 变分自编码器的一致性正则化
本文提出了一种正则化方法来强制 Variational Auto-Encoder 的一致性，通过最小化 Kullback-Leibler（KL）散度来实现；实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。
- 预训练和一致性帮助简单半监督领域自适应
该研究展示出半监督领域自适应 (Semi-Supervised Domain Adaptation, SSDA) 可以在不需要特征对齐的情况下学习一个精度较高的目标分类器，使用自监督预训练和一致性正则化等简单技术可以实现良好的目标集群分离效 - SelfMatch: 结合对比自监督和一致性的半监督学习
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 - AAAI变分贝叶斯推理与最大不确定性正则化的半监督学习
本文提出了两种半监督学习的方法，第一种是将权重扰动方法（WP）应用到现有的一致性正则化（CR）方法中，第二种方法提出了一种新的一致性损失函数叫做 “最大不确定性正则化”（MUR），实验结果表明，将 VBI 或 MUR 或两种方法结合使用可以 - ECCV使用潜空间虚拟对抗训练进行正则化
本文提出了一种名为 LVAT 的新的规则化方法，将扰动注入潜在空间以生成理解性更强的对抗样本，并在图像分类任务的超视觉和半监督学习情景中使用 SVHN 和 CIFAR-10 数据集验证其性能，证明其优于其他现有方法及 VAT。
- COLING层间多视角学习用于神经机器翻译
本文提出了一种基于多视图学习和一致性正则化的方法来解决传统神经机器翻译中编码器只能根据顶层编码器层的上下文表示而不能直接感知较低编码器层的上下文表示的问题，并在五个翻译任务上进行了实验证明其有效性和稳定性，此外，该方法不依赖于网络架构。
- CO2: 无监督视觉表征学习的一致性对比
该研究提出了一种新的无监督对比学习框架 CO2，它利用了模仿半监督学习中的一致性正则化来处理标签分配策略的瓶颈问题，能够提高图像分类、目标检测和语义分割等任务的视觉表示能力。
- 高维度非对抗源导向扰动下的一致性正则化 —— 用于分割中的无监督领域自适应
本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA 在两种常用的合成 - 真实领域自适