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。