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的少监督视频字幕生成方法，结合伪标记和关键词精炼模块，显著减少了对大量标注句子的依赖。实验结果显示，该方法在少监督和全监督场景下均表现出明显优势。

本文探讨了伪标记在半监督学习中的应用，提出了多种提升模型性能的方法，如基于半监督学习的伪标记、SimPLE算法和SemCo方法。研究表明，这些方法在多个数据集上表现优异，尤其在标签稀缺情况下显著提高了准确率，推动了半监督学习的发展。

本文提出了一种新的正未标化学习框架，通过无关表示学习和伪标记技术对未标注样本进行分类。该方法在多个基准数据集上表现优异，尤其在标注数据稀缺的情况下仍能有效工作，并提供了理论分析以解释算法动机和建立泛化保证。

本文研究了半监督目标检测（SSOD）的关键技术，包括伪标记和一致性训练，并提出了多种改进方法。实验表明，PseCo方法在COCO基准测试中显著提高了学习效率，SOOD++在多方向对象检测中表现良好。此外，基于置信度的伪标签方法和对抗模糊性的方法也提升了检测性能，证明了在有限标注情况下的有效性。

本文探讨选择性标签下的算法辅助决策学习，提出数据增强方法以减轻选择性标签的偏误。研究介绍了伪标记在半监督医学图像分割中的应用，提出新方法以提高分类精度，并强调处理噪声标签的重要性。实验结果表明，所提算法在多种任务中表现优异，突显了在深度学习中应对标签偏见和不确定性的必要性。

本文提出了一种无监督自适应错误校正方法，利用伪标记技术和编码器-解码器模型，显著降低语音识别中的单词错误率。在未见领域中，该方法的性能提升可达10%。

本文介绍了多种基于伪标记和能量评分的方法，以提高深度学习模型在不平衡半监督学习中的分类精度。提出的InPL方法通过样本位置评分，显著提升了CIFAR10-LT数据集的准确度。同时，探讨了置信度校准和伪标记策略对图学习模型的影响，并提出了新的伪标记形式和框架，展示了其在医学图像分割和多标签分类中的有效性。

本研究提出了一种新的伪标记形式和半监督医学图像分割方法SegPL，验证了其在MRI脑肿瘤和CT肺血管分割中的有效性。同时，介绍了一种基于误差定位网络的半监督语义分割方法，提升了对不精确伪标签的鲁棒性，并在多个数据集上取得了优异表现。

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。