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，旨在改善半监督医学图像分割中的扰动策略。该方法通过增强一致性正则化，有效处理医学图像的复杂结构。在ACDC数据集上的实验结果显示，Dice分数达到了90.4%。

该文章提出了一种新的学习框架——经验比例风险最小化，旨在改进基于标签比例的学习算法，广泛应用于政治、营销、医疗和计算机视觉等领域。研究引入了半监督学习和一致性正则化，显著提升了分类器性能，并提出了新的实验设置和算法框架，改善了标签比例学习的效果。

本文介绍了多种基于半监督学习的医学图像分割方法，包括伪标签生成、概率模型和一致性正则化等技术。这些方法在不同数据集上表现优异，显著提高了分割精度和不确定性估计，尤其在3D医学成像任务中，与完全监督方法的性能相当。

本文介绍了SemiFed框架，结合一致性正则化和伪标记方法，解决跨数据中心的部分标记问题。研究表明，该方法在同质和异质数据分布下有效，适用于半监督联邦学习，提升了医学图像数据集上的模型性能。

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。