本研究提出了一种基于大型语言模型(LLMs)的新方法，用于识别在线市场中的野生动物贩运。通过生成伪标签，降低了标记成本并实现样本多样化，使分类模型的F1分数提升至95%，有效支持野生动物贩运分析。

本文提出了一种PTCL方法，旨在解决动态节点分类中标签有限的问题，尤其是在完全标签需求的情况下。通过生成伪标签和时间课程学习策略，显著提升了节点分类的效果。实验结果表明，PTCL优于其他方法，为动态图研究提供了新的数据集和框架。

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。通过为未标注样本生成伪标签，SSLR在使用较少标注数据的情况下，性能超过全监督学习模型，显示出在手语识别领域的潜力。

本文提出了一种新颖的伪变换器框架，旨在解决弱监督时间行为定位中的时间标注缺失问题。通过引入RickerFusion生成高质量伪标签，优化训练过程，该方法在THUMOS14和ActivityNet1.3数据集上取得了优异的效果。

本文提出了UniOcc，一个统一基准，用于占用预测，解决了依赖次优伪标签的问题。通过不依赖真实占用的评估指标和多样化训练数据，显著提升了自主驾驶领域的占用预测性能。

本研究提出了一种克洛兹自蒸馏方法，解决了场景文本识别中编码器与解码器扩展不足的问题。通过上下文感知的软预测和伪标签，显著提升了解码器性能，并在11个基准测试中取得了最先进的效果，同时降低了参数和计算成本。

本研究提出了一种新方法解决医学成像中的多地标检测问题，特别是“跷跷板现象”。通过伪标签和更新模板数据，模型专注于单个地标，提高了准确性。同时引入适配器融合模型以共享参数，最终在资源效率和准确性上超越了传统方法。

本研究探讨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），并将伪标签建模为长尾权重，以增强模型的鲁棒性。实验结果显示，该方法在多个数据集上显著提升了模型性能。

本研究提出了一种知识挖掘策略，利用大型视觉模型SAM的知识来提升医学图像分割中小型深度学习模型的性能。通过将SAM在未标注图像上的输出转化为“伪标签”，显著改善了U-Net++模型在有限标注数据上的训练效果，验证了知识挖掘的应用价值。

本研究提出了一种新颖的自监督标注方法，旨在解决时间序列预测中对高质量数据的依赖和数据利用不足的问题。该方法通过构建候选数据集并利用重构网络的中间结果作为伪标签，增强了预测模型的泛化能力，减少了过拟合现象。实验结果表明，该方法在多个真实数据集上显著提升了模型性能。

本研究提出ZMT框架，以解决半监督学习中伪标签不可靠的问题。ZMT能够联合优化零-shot伪标签与无监督表征学习，实验证明其在处理噪声伪标签时错误率降低56%，显著提升了资源受限环境下的学习效果。

本研究提出了一种协作矫正学习网络，用于半监督三维医学图像分割，旨在有效利用少量标注数据和大量未标注数据。通过生成高质量伪标签和引入动态交互模块，提升了模型在不确定区域的分类能力。实验结果表明，该方法在公共数据集上优于现有技术，具有良好的推广潜力。

本研究提出了CoDTS框架，通过双教师-学生模型增强稀疏监督协同感知，解决全标注数据集成本高的问题。该框架生成高质量的伪标签，并优化伪标签的质量与数量平衡，实验证明其在稀疏监督协同感知中达到了新的水平。

本研究针对自动驾驶中的复杂城市场景运动预测问题，提出了一种混合训练策略，通过伪标签数据进行模型预训练，再在标注数据上进行精调。实验结果表明，该方法显著提升了模型性能和泛化能力。

本研究提出了一种改进的半监督医疗影像分割方法，利用Segment Anything Model (SAM) 生成更准确的伪标签，减少对大量注释数据的依赖。实验结果表明，该方法在儿童腕骨和牙科X光图像分割中显著提高了Dice得分，展现了其优越性。

本研究提出SADDE框架，旨在解决标注样本稀缺下异常检测的模式识别和解释性不足问题。该框架通过创新的解释方法提升可解释性，并为未标记样本生成高可信度的伪标签，从而显著提高检测性能。实验结果表明，SADDE在网络异常检测任务中表现优异。

本研究提出GROOT方法，通过邻域采样生成伪标签并进行标签传播，解决生物序列设计中的优化瓶颈。实验结果表明，GROOT在多项任务中优于现有方法，验证了其在标记数据有限情况下的有效性。

本研究提出了一种弱监督方法，旨在解决多视角视频中选择最具信息量视角的问题。通过分析视频相关的语言，发现依赖字幕的视图可以有效作为最佳视角的伪标签，从而显著提升视角选择性能。

本研究提出了一种自适应样本选择方法LLKD，旨在提高大语言模型在自然语言处理中的实用性，通过生成伪标签来训练小模型，从而提升数据利用效率和模型性能。