本研究通过引入β噪声分布和正弦课程，优化一致性训练模型，显著提升低剂量CT图像的增强效果，超越传统CT技术。

该文章提出了一种新的知识蒸馏方法，通过将标签噪声结合到输入中来提高轻量级教师模型的性能，并保持与标准蒸馏一致性训练学生模型，以提高知识蒸馏的效果和增加模型的灵活性。

该文介绍了一种用于跨语言命名实体识别的高效建模框架，利用知识蒸馏和一致性训练，并使用预训练的大型语言模型进行知识传递。仅使用30个标记样本，该模型可以将商家、金额和其他字段的识别从英语推广到阿拉伯语。该框架对于开发多语言应用程序具有重要意义。

该文介绍了一个高效的建模框架，用于半结构化文本数据中的跨语言命名实体识别。该方法利用预训练在源语言上的大型语言模型的知识，通过学生 - 教师关系进行知识蒸馏，并在低资源目标语言上采用无监督的一致性训练。