本研究提出了一种新方法TTRL，通过未标记数据对大规模语言模型进行强化学习训练，显著提升了模型性能，Qwen-2.5-Math-7B在AIME 2024上的通过率提高了约159%。

本研究提出了一种名为Ross3D的重构视觉指令调优方法，旨在解决大规模三维视觉-语言数据集的缺乏问题。该方法通过三维视觉监督，提升了三维场景理解的性能，并展示了未标记三维数据的潜力。

本研究提出了一种新方法，解决药物-靶标相互作用预测中的数据稀缺问题。通过设计两个专家处理内外部数据，利用未标记数据增强协同作用，实验结果表明该模型在数据稀缺情况下显著优于现有方法，改进幅度最高达53.53%。

本研究探讨了在标签稀缺情况下处理不一致未标记数据的方法，以提升半监督学习性能。提出了一种新方法，增强了鲁棒性，并建立了评估基准，旨在解决开放环境中的稳定性问题。

本研究提出了一种新方法LeaDQ，旨在解决联邦学习中未标记数据流的样本选择问题。通过多智能体强化学习优化客户端策略，显著提高了全球模型的准确性，实验结果表明其优于现有基准算法。

本研究提出了一种自监督学习方法，解决了结构健康监测中因标记数据稀缺导致的异常检测问题。该框架有效利用少量标记数据和大量未标记数据，显著提升了异常检测性能。

本研究提出了一种新颖的图基聚类方法GraphCL，旨在解决半监督医学图像分割中未标记数据利用不足的问题。实验结果表明，GraphCL在标准测试中优于现有方法，展现出显著的应用潜力。

本研究提出了OwMatch框架，解决开放世界半监督学习中的未标记数据问题，确保自标注的无偏性。实验结果表明，该方法在已知和未知类别上显著提升了分类性能。

本研究提出了一种创新的“ReMix”模型，结合有限标记的多摄像头数据与大量未标记的单摄像头数据进行训练，显著提升了人物重识别（Re-ID）模型的泛化能力，优于现有方法，具有重要应用潜力。

本研究通过流形假设的标签传播方法，解决了机器学习中标记数据集的高成本问题。结果显示，该方法在情感分析中能显著减少所需标签数量，利用图形方法生成伪标签，有效整合未标记数据，降低成本。

本文探讨了主动学习和半监督学习在深度学习中的应用，提出了多种提高模型性能和训练效率的方法，包括基于后验熵的主动集合选择、样本自适应增强（SAA）和无监督选择性标注。这些方法在处理未标记数据和噪声标签时表现出色，显著提升了模型的准确性和鲁棒性。

本文探讨了测试时间适应（TTA）在机器学习中的应用与优化，提出了如ROID和AR-TTA等方法，以提高模型在动态环境中的鲁棒性和性能。研究表明，TTA的有效性依赖于模型质量，并需在更广泛的场景中进行评估。通过引入新技术，本文提升了医学图像分割等任务的表现，强调了适应未标记数据的重要性。

本文探讨了利用未标记数据提高癌症患者生存时间预测准确性的方法，提出了半监督学习、贝叶斯框架和跨模态融合等多种模型和框架。这些方法在生存分析中显著提升了预测性能，尤其是在处理多模态数据时。

本研究提出了一种新的视觉领域适应CNN架构，利用未标记和稀疏标记数据实现域不变性优化，并通过软标签分布匹配损失提升性能。同时，研究探讨了多模态模型融合、动态转移方法及知识融合策略，显示出在无标注数据情况下的有效性和高效性。

本文提出了一种基于平均教师框架的跨域检测Transformer，利用未标记数据进行目标检测训练，通过伪标签传输知识。该方法在多层次特征对齐和优化迭代下，在不同领域适应场景中表现优异，尤其在Sim10k到Cityscapes的转移中显著提升性能。

通过SEABO方法，可以从专家数据和未标记数据中获取奖励函数。SEABO在只有一个专家轨迹的情况下，能够与真实奖励的离线强化学习算法相竞争，并在许多任务中优于先前的奖励学习和离线模仿学习方法。

该文章介绍了一种记忆一致性引导的分治学习框架（MCDL），通过引入两个内存库记录未标记数据的历史预测，利用预测一致性衡量每个样本的可信度，并设计了分治学习策略来充分利用未标记数据的区分性信息，减小噪声标签的负面影响。实验证明该方法在通用图像识别和语义转换任务中具有广泛性和优越性。