提出了自适应的双向位移方法（ABD）来解决半监督医学图像分割中不可标记数据一致性学习的挑战。ABD在半监督医学图像分割方面取得了新的最佳性能，显著改进了不同基准模型。

该研究提出了一种基于样本的医学图像分割方法，通过跨模型互学习框架实现高效的模型训练，消除确认偏差和实现多模型一致性来学习互补信息。实验结果表明，该方法在两个医学图像数据集上表现更好。

本研究提出了一种名为Cross Pseudo-Labeling（XPL）的新方法，用于半监督AVSL。XPL通过交互学习和交叉精炼机制避免了偏见积累，并结合软伪标签和课程数据选择模块以实现稳定训练。实验证明XPL在性能上优于现有方法，并减轻了确认偏见。

本文提出了一种新颖的方法，使用图像级别的类标签作为监督来学习实例分割。通过IRNet，首先从图像分类模型的attention maps中识别出与对象类别相关的种子区域，然后传播到整个实例区域，估计出准确的边界，并为种子分配实例标签，使得整个实例区域可以准确地估计。在PASCAL VOC 2012数据集上，该方法取得了出色的表现。

使用 Hierarchical Dynamic Labeling（HDL）算法，不依赖于模型预测的方式利用图像嵌入生成样本标签，进而改善半监督学习中伪标签生成的表现，验证了表示网络比分类器或预测器更可靠的动机。

本文介绍了一种新的半监督学习设计，用于人体姿势估计。通过增强双学生框架和引入去噪方案，生成可靠的伪热图作为无标签数据学习的目标，并通过估计的交叉学生不确定性选择学习目标。该模型在COCO基准测试中表现优于以前的半监督姿势估计器，证明了它可以从非标签数据中有效学习，提升泛化和性能。

我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

上海交通大学的研究团队提出了一种名为部分贝叶斯协同训练（PBCT）的半监督学习技术，用于锂电池寿命预测。该方法利用无标签数据提取隐藏信息，提高了预测精确度。PBCT在电池寿命预测中取得了高达20%的提升，并揭示了关键因素。研究成果发表在国际权威期刊Joule上。

本文介绍了Variational Confidence Calibration (VCC)和Influence-Function-based Unlabeled Sample Elimination (INFUSE)两种方法。VCC使用Variational Autoencoder选择更准确的伪标签，INFUSE是一种数据修剪方法，用于构建无标签样本的核心数据集。这些方法在多个数据集和设置中都非常有效，可以减少分类错误率并节省训练时间。在CIFAR-100数据集上，VCC-INFUSE将FlexMatch的错误率降低了1.08%，同时节省了近一半的训练时间。

本文介绍了一种基于ETC-Net的半监督医学图像分割方法，通过三个分支解决预测多样性和训练稳定性，并利用不确定性估计抑制错误监督信号的负面影响。实验结果显示ETC-Net在多个数据集上超越了其他半监督分割方法。