本研究提出了一种新方法VFAT-WS，旨在提高视频识别中的对抗训练效率和鲁棒性，通过时间频率增强和一致性正则化，训练速度提升近490%。

本研究提出了一种基于模型注意力的扰动方法，解决半监督医学图像分割中的扰动策略不足问题。通过增强一致性正则化，处理复杂结构和高维语义。实验结果表明，该方法在ACDC数据集上取得了90.4%的Dice分数。

本研究提出了FedLabel方法，通过全局模型或本地模型对未标记数据进行伪标记，利用全局模型和本地模型的知识，通过全局-本地一致性正则化提高模型泛化能力。该方法不需要额外专家、通信参数，也不需要服务器标记数据或完全标记的客户端数据，并在跨设备和跨网络隔离设置中表现优于其他半监督联邦学习方法和完全监督方法。

本文介绍了一种名为ConMatch的半监督学习框架，通过一致性正则化和伪标签置信度确定权重，提高了性能。该方法提出了新的伪标签置信度度量方法，可以端到端地与骨干模型一起训练。实验和消融研究证明了ConMatch的有效性。

本文介绍了一种新的二元分类设置——成对比较分类(Pcomp)分类，其中仅有一对未标记数据。文章推导出了一个带有理论保证的无偏风险估计器(URE)，并使用校正函数进一步改进了URE。同时，将Pcomp分类联系到噪声标签学习，发展了一种逐步URE并通过施加一致性正则化来改进它。实验证明了该方法的有效性，表明Pcomp除了成对标签之外，还是一种有价值且实用的成对监督类型。

本文介绍了两种训练策略：SimRegCR和SimZeroCR，用于实现一致性正则化的最新性能。在MuST-C基准测试中，我们的方法取得了最先进的性能。分析证明，一致性正则化对于端到端语音转文本翻译至关重要，跨模态一致性可提升零-shot翻译性能。