本研究通过引入基于距离的加权机制，解决了半监督深度学习中有限标记数据的问题，显著提升了模型的泛化能力和鲁棒性。

本文针对临床试验设计中的资源消耗和效率问题，提出了一种新的半监督方法，以识别相似的历史临床试验。这一方法通过总结临床试验方案，并基于查询试验的方案进行相似试验搜索，显著提高了信息检索的准确性，具有重要的应用潜力，有助于降低试验设计中的风险，提高成功率。

本研究提出了SpectMamba半监督网络，旨在提高歌唱旋律提取的效率并解决标注数据不足的问题。实验结果表明，该方法在多个数据集上表现优异。

本研究针对网络中重叠结构的社区检测挑战，提出了一种结合图多头注意力和模块化最大化的半监督图自编码器，以有效检测重叠社区。研究发现，这种新颖的抗噪声架构及语义半监督设计显著提升了重叠社区检测的质量，尤其在属性噪声的情况下，模型表现出卓越的鲁棒性，维护在60%特征损坏下的稳定性能。

本研究解决了电子元件过时预测中的数据稀缺问题，通过深度生成建模生成新的过时案例以扩充训练数据集。提出的框架在增强的数据集上训练经典的机器学习预测模型，并在基准数据集上展现出最先进的效果，潜在地推动工业应用的过时管理。

本研究提出了一种新的协同精英半监督学习生成对抗网络（CE-SSLGAN），克服了现有方法的局限性。实验结果表明，该方法在多个数据集上优于传统技术。

本研究提出了一种名为SSLR的半监督学习方法，旨在解决手语识别系统中标注数据稀缺的问题。实验结果表明，SSLR在少量标注数据下的性能优于全监督学习模型，显示出其潜在的应用价值。

本研究提出CLique ANNealing（CLANN）方法，解决了半监督社群检测中的核心候选选择不合理和可扩展性差的问题。通过结合结晶动力学，CLANN优化社群核心一致性，提高了算法的效率和效果。实验结果表明，CLANN优于现有方法。

本研究提出了一种新的半监督分割框架HDC，旨在解决胎儿超声图像中颈部结构在低对比度和模糊边界下的精确分割问题。实验结果表明，该方法在两个数据集上表现优异，且计算开销低于现有模型。

本文提出了一种新颖的框架，将集成学习与增强图结构相结合，以提高图中半监督节点分类的性能和鲁棒性。该方法通过创建同一图的多个增强视图，利用“多样性人群的智慧”，有效缓解嘈杂图结构带来的挑战，并在多个真实世界数据集上的实验表明了其有效性。

本研究旨在解决现有半监督医学分割方法中存在的伪标签噪声问题，特别是在牙齿点云分割的背景下。提出的GeoT框架通过实例依赖过渡矩阵（IDTM）明确建模伪标签中的噪声，并引入几何先验以优化估计。实验结果表明，该方法能够充分利用未标记数据，实现与完全监督方法相当的性能，仅需20%的标记数据。

本研究提出了掩膜图像一致性和差异学习（MICD）框架，旨在解决医学图像分割中的半监督学习不足，增强上下文感知和模型鲁棒性，显著提升小样本学习能力。实验结果表明，该方法在多个公共数据集上优于现有技术。

本研究提出UPC-SC方法，旨在解决半监督领域泛化中的训练与测试数据分布差异，充分利用低置信度无标签样本，显著提升模型性能，缩小领域间差距。

本研究分析了半监督学习中伪标签过滤的缺陷，提出了一种不确定性意识的集成结构（UES），通过长尾权重建模伪标签的效用，从而增强模型的鲁棒性。实验结果表明，该方法在多个数据集上显著提升了性能。

本研究针对半监督学习（SSL）在视觉基础模型（VFM）中的应用不足，提出新的基准数据集并系统评估多种SSL方法。关键发现是，仅用标记数据的参数高效微调（PEFT）方法能与SSL性能相匹配，此结果促使我们改进自训练方法，通过多种PEFT模型的集成，生成更稳健的伪标签，提供了SSL与VFM结合的新见解。

本研究提出了一种知识挖掘策略，利用大型视觉模型SAM的知识，提升小型深度学习模型在医学图像分割中的性能。通过将SAM在未标注图像上的输出转化为“伪标签”，显著改善了U-Net++模型的训练效果，验证了知识挖掘的应用价值。

本研究提出NodeReg正则化方法，解决半监督节点分类中的邻接节点不平衡和噪声问题，显著提升GNN的泛化能力和分类性能。实验结果表明，NodeReg在不平衡和分布偏移情况下优于现有基线。

本研究解决了现有研究在上下文学习中数据选择偏重于真实注释示例而忽视自生成注释可靠性的问题。我们提出了一种三步半监督上下文学习框架，基于高置信度自生成示例提升ICL表现，实验结果显示，该基准方法在16个数据集上平均提升了9.94%。此外，我们引入了IterPSD方法，通过迭代优化伪示例，进一步提升分类任务精度，并揭示了当示例数量超过1000时半监督上下文学习的最佳性能规律。

本研究提出了一种半监督学习方法，利用视觉和音频的多模态信息，解决视频动作识别中的高标注成本问题。通过音频源定位技术，模型在多个数据集上显著提升，具有重要应用潜力。

本研究提出了一种CRTrack半监督多目标跟踪方法，旨在解决低光照环境下数据集不足和注释成本高的问题，增强模型对噪声伪边框的抵抗力，从而显著提升跟踪性能。