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。