通过代表性和多样化样本选择增强半监督学习

利用FastText.zip深度模型的后验熵进行主动集合选择，具有鲁棒性，能够对抗采样偏差和算法选择。

提出了一种融合标注和模型训练的主动学习方法，结合半监督学习和基于一致性的样本选择度量，改善模型性能。

基于聚类原型的无监督选择性标注方法能够在没有标记数据的情况下选择代表性和多样性数据，显著提高半监督学习效率。

新颖的嘈杂标记学习框架ProMix通过高置信度匹配选择技术，提升干净样本的效用，实验结果优于最佳基线方法。

样本自适应增强（SAA）通过样本选择和增强模块显著提高FixMatch和FlexMatch模型的准确性。

研究表明，数据选择可以非常有效，某些情况下甚至可以超越在整个样本上进行训练的效果。

利用CLIP模型的协作样本选择和预训练，解决学习有噪声标签过程中样本选择错误导致的训练偏见问题。

研究基于信息论原理的数据子集选择技术，主动学习提高标签效率，主动采样增强训练效率。

提出鲁棒的网络架构和混合采样策略，解决现有样本选择方法中的数据和训练偏差问题。