本研究提出了一种新的半监督学习方法InterLUDE，通过嵌入融合和新损失函数提升图像分类性能。在STL-10数据集上，InterLUDE的错误率为3.2%，显著优于14.9%的最佳先前方法。该方法在医疗图像分类等多个场景中表现出色。

该文章介绍了一种新型架构，实现了绝对零等变误差的尺度等变深度网络，并在 MNIST-scale 和 STL-10 数据集上进行了测试。该模型通过在离散域中考虑抗锯齿，保持了零等变误差的同时，具有有竞争力的分类性能。