本研究提出了一种名为“搜索轻蔑”的混合MCTS算法，旨在提高AlphaZero类引擎的计算效率。该算法通过优先生成更具挑战性的局面，显著提升了在Odds Chess中的表现，并减少了训练所需的计算资源和时间，展现了高效自我训练的潜力。

本研究提出了一种自我训练管道，以解决通用病变检测和标记中的数据标注不足和类不平衡问题。通过有限的标注数据进行模型训练，并引入新识别的病变，采用变阈值策略显著提高了病变类别的灵敏度和整体分类表现。

本研究提出了一种自我训练的管道，用于在CT图像中实现三维病灶的检测与标记。该方法有效解决了深度学习中病灶检测不全面及类别不平衡的问题。VFNet模型在仅使用30%数据时，检测效果与全数据集相当，显示出良好的应用潜力。

本研究提出了一种新颖的自我训练方法GiFT，旨在解决代码生成中描述与代码空间不足的问题。GiFT基于Gibbs抽样，从联合空间的边际分布中提取自生成数据，减轻条件抽样偏见。实验结果表明，该方法在多个数据集上表现优越，尤其在挑战性基准测试中效果显著。

本研究提出了时间偏好优化（TPO）框架，以解决长视频理解中的时间基准问题。通过自我训练和偏好学习，显著提升了模型的时间理解能力，展示了TPO在长视频理解中的潜力。

本研究提出了Agent-R框架，旨在提升大型语言模型在复杂环境中的错误恢复能力。通过自我训练和模型引导的评论机制，Agent-R有效增强了模型的智能代理能力，实验结果表明其显著提高了错误修正能力和学习效率。

本文介绍了提升大型语言模型推理能力的方法，包括自我训练、反思层次、MaRio算法和MC-CoT策略。这些方法通过降低采样成本、提高一致性和准确性，显著改善了模型在复杂推理任务中的表现。同时，研究提出了新的验证策略，强调理据有效性对答案验证器的重要性。

本研究提出LEAF方法，通过结合事实核查和自我训练，提升大型语言模型在医疗等知识密集型领域的事实准确性，为高准确性要求的应用提供了有效解决方案。

本文探讨了知识蒸馏和监督方法对语言模型训练的影响，强调过程监督在复杂数学问题中的有效性。研究表明，利用反馈进行自我训练可减少对人工数据的依赖，并提出了一种新算法以提高模型推理能力，强调模型能力获取与评估的重要性。

本研究提出了一种名为SimRAG的自我训练方法，旨在提高通用检索增强生成系统在科学和医学等专业领域的适应性。该方法通过生成相关问题和筛选高质量样本，显著提升了大型语言模型在特定任务中的表现。实验结果表明，SimRAG在11个数据集上的表现优于基线模型1.2%至8.6%。

本文介绍了一种基于对比学习和自我训练的语义分割方法，适用于遥感图像。GeoMultiTaskNet模型通过地理坐标对源领域和目标领域进行信息对齐，并采用动态类别抽样策略，显著提升了分割性能。此外，研究提出了无监督领域适应方法和高/低频分解技术，以增强跨领域的表示对齐和泛化能力，并验证了其在多个基准数据集上的有效性。

本文探讨了目标检测和实例分割中的预训练模型与自我训练方法的效果。研究发现，随机初始化模型在COCO数据集上的表现与ImageNet预训练模型相当，自我训练在低数据和高数据环境中均能提升准确性。提出的CA-SSL框架和RPP方法通过优化训练信号和提示预训练，显著提高了视觉任务的性能。

本文提出了多种新方法以提升无监督图像分割和生成效果，包括基于槽的注意力机制、自我训练方法和跨图像对象级引导。这些方法在多个数据集上表现优异，尤其在处理复杂图像时，显著提高了分割精度和生成质量。

本文探讨了大型语言模型（LLM）在自我训练和推理中的应用，提出了自我思辨激励策略（SEC），无需人工示范，显著提升了算术推理和多任务理解的性能。研究还介绍了通用提示方法MeMo，允许模型自主选择解决方案，达到最新研究水平。此外，AutoRace和LLM Reasoners用于评估推理方法，AlphaLLM通过自我改进循环提升模型能力。整体上，研究强调了推理与提示学习的关系及未来发展方向。

本文介绍了一种可扩展的开放词汇目标检测流程，利用零手动标注技术，结合多模态预训练和自我训练，显著提升了检测性能。该方法在多个数据集上表现优于现有技术，尤其在新类别检测和低数据场景中具有优势。

本文提出了一种新颖的可解释主动学习框架（XAL），结合预训练的双向编码器和单向解码器，旨在提高低资源文本分类任务中的预测可解释性和准确性。通过自我训练方法替代传统的半监督学习，显著提升了在噪声标签下的性能，评估结果显示在多个数据集上实现了超过95%的准确率。

本文介绍了多种测试时间自适应技术，如Test-Time Self-Training（TeST）和MEMO-CL，旨在提高模型在分布变化下的适应性。这些方法在目标检测和图像分类任务中表现优越，尤其在处理未标记数据和应对非平稳数据分布方面，通过动态网络选择和自监督学习等策略提升了模型的鲁棒性和准确性。

本研究探讨了结合小型语言模型与多步推理能力的方法，提出了自我训练、反思增强和使用部分正确解决方案等策略，以提升数学推理能力。实验结果显示，这些方法显著提高了模型在数学和常识推理任务上的表现，并减少了对人工数据的依赖。

本文探讨了通过自我训练方法提升大型视觉语言模型在图像理解和视频生成方面的能力，提出了利用偏好数据集、模型参数微调和自学习数据增强等策略，显著提高了模型的准确率和性能。

本文介绍了多种场景图生成（SGG）模型的改进方法，包括TISGG模型、IETrans方法和自我训练框架（ST-SGG）。这些方法旨在解决长尾问题和三元组识别困难，实验结果表明它们在性能上有显著提升。