本研究比较了半监督学习中的预训练和自训练方法，发现预训练与微调组合效果最佳，自训练与半监督预训练结合未提供额外收益。其他研究探索了自监督正则化、贝叶斯深度学习、对比学习等方法在半监督学习中的应用，取得了显著提升。建议未来关注无监督预训练目标的半监督学习研究。

本文介绍了一种基于STMap的交通轨迹重建方法，结合自训练和主动学习技术，优化了MRI胎体和胎盘分割任务的性能。研究表明，ST与AL结合能提升单序列胎体分割效果，但对多序列胎盘分割影响较小。该方法在高变异性数据上表现良好，使用少量扫描即可获得高准确率。

本文提出了一种新的无监督域自适应自训练流水线（ST3D），用于基于点云的3D物体检测。该方法通过高质量伪标签训练检测器，避免过度拟合，提升检测性能，超越全监督结果，专注于稀疏点云，适应不同环境和传感器配置，取得显著改进。

本文提出了一种无监督域自适应框架，通过对抗学习和自训练等方法，利用源领域的深度信息提升目标领域的语义分割性能。该方法在自动驾驶场景中经过验证，实验结果显示其在多个基准测试中表现优异。

研究表明，自训练和文本转语音（TTS）增广训练数据能显著提升低资源语言的自动语音识别（ASR）性能。LRSpeech系统通过预训练、双重转换和知识蒸馏等技术，在极少数据下实现了良好的语音合成和识别效果。此外，研究探讨了跨语言转移和无监督学习在低资源环境中的应用，提出了多种提高ASR性能的方法。

本研究提出了一种新颖的半监督分割框架，通过一致性学习与自训练相结合，提升医学图像分割性能。实验结果显示，该方法在CT肺血管和MRI脑肿瘤分割任务中优于传统方法，并有效利用伪标签提高训练多样性。

本文介绍了一种基于预训练语言模型的命名实体识别框架BOND，采用远程监督和自训练方法，解决高噪声和不完整标签问题。该方法在多个基准数据集上表现优于现有技术，提升了模型的泛化能力和性能。

本文提出T-相似度作为一种新的置信度度量方法，用于解决自训练中置信度过高的问题。该方法基于线性分类器集合的预测多样性，并在不同数据模态的分类数据集上进行了实验验证。

该研究提出了一种无监督的原型知识蒸馏网络（ProKD），通过原型对齐和基于原型的自训练两种方法，提高模型在跨语言命名实体识别问题上的表现。实验结果表明该方法有效。

本文介绍了一种新方法，将自训练和主动学习相结合，使用测试时增强。实验结果表明，自训练对MRI胎体和胎盘分割任务非常有效，提高了ID和OOD数据的性能。然而，当自训练与主动学习结合时，对单序列胎体分割的性能有所改进，但对ID数据的多序列胎盘分割性能略有下降。在胎体分割序列转移方面，将主动学习与自训练结合在自训练迭代后，只使用6个原始扫描和2个新序列扫描就可以获得较高的Dice系数。