本文介绍了多种半监督医学图像分割方法，如SCP-Net、DPMS、DCPA、LeFeD、CMMT-Net和AD-MT。这些方法通过一致性学习、伪标签生成和数据增强，显著提升了分割性能，尤其在标注稀缺和不一致性较大的情况下表现优越。实验结果显示，这些新方法在多个公共医学数据集上超越了现有技术标准。

测试时间适应 (TTA) 是将预训练模型调整到新的测试领域的方法。研究者提出了DPLOT框架，通过选择特定领域特征提取的块进行训练，并使用伪标签生成方法。实验结果表明，DPLOT在多个基准测试中表现优于以前的方法。其他研究还提出了不同的测试时间适应方法，如Decoupled Prototype Learning (DPL)、特征修正和自我蒸馏等。

本文介绍了多种视频异常检测方法，包括基于生成合作学习的无监督检测、隐私感知框架TeD-SPAD、伪标签生成框架，以及结合大语言模型的LAVAD方法。这些方法在多个数据集上表现出色，提高了异常检测的准确性和效率，并平衡了标注成本与性能。此外，研究还提出了新的数据集NWPU Campus和多种创新技术，推动了视频异常检测领域的发展。

本文介绍了一种基于不确定性的假标签选择框架，旨在提高假标签的准确性并生成负假标签，适用于多标签分类。研究表明，采用自适应阈值调整方法FreeMatch和伪标签生成技术，显著提升了半监督学习模型的性能，尤其在CIFAR和ImageNet数据集上表现优越。

该论文介绍了解决少样本人-物交互检测问题的新方法，通过引入查询增强、伪标签生成和负样本支持集增强等技术，在Bongard-HOI基准和HICO-FS数据集上取得了显著性能提升。