本研究提出了一种噪声优化条件扩散（NOCDDA）方法，以解决无监督领域适应中高置信度伪标记样本稀缺的问题。实验结果显示，NOCDDA在多个基准数据集上的表现显著优于31种先进方法，验证了其稳健性和有效性。

本研究提出了一种名为SuperCL的对比学习方法，旨在解决医学图像分割中高质量标注数据不足的问题。通过结合超像素图生成伪标记，SuperCL有效利用图像结构信息，实验结果表明其在多个数据集上的分割精度优于现有方法。

本研究提出了一种新颖的少监督视频字幕生成方法，减少了对大量标注句子的依赖。通过伪标记和关键词精炼模块，增强了字幕与视频内容的语义一致性，实验结果显示在少监督和全监督场景下均表现出显著优势。

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。

本文提出了一种基于半监督学习的伪标记方法，取得了与现有最先进方法相媲美甚至更好的结果，并能抵御未知分布样本。在CIFAR-10数据集上，使用了4,000个标记样本，达到了94.91%的准确率，在Imagenet-ILSVRC数据集上，使用了10%的标记样本，达到了68.87%的top-1准确率。

本文提出了一种基于半监督学习的方法，通过将伪标记应用于无标签集中的样本，并利用已训练好的模型标记这些样本，然后迭代重复此过程来训练模型。实验证明，伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果，并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在CIFAR-10数据集上，本文仅使用了4,000个标记样本，达到了94.91%的准确率，在Imagenet-ILSVRC数据集上，本文仅使用了10%的标记样本，达到了68.87%的top-1准确率。