半监督学习前提假设
1.连续性假设（Continuity Assumption）
分类问题- input是比较接近的时候，ouput的后验概率矩阵也应该距离比较小
2.聚类假设（Cluster Assumption）
类类内聚，类间分开
3.流形假设（Manifold Assumption）
- 所有数据点可以被多个低维流形表达。简单理解就是，将高维冗余特征降维到低维空间
- 相同流形上的数据点，标签一样。换句话说，降维之后同样标签的数据要接近或一致
半监督学习数学定义
半监督学习本质上就是设计了一个损失函数，三个部分组成：有监督loss，无监督loss以及正则项
半监督学习的实施方法
生成式模型：Semi-supervised GANs ; Semi-supervised VAEs
Re-using Discriminator
Discriminator 鉴别器其实就充当的是二分类器，对输入或生成的图片判定真假；在半监督中重用这个鉴别器，是将这个鉴别器做成k分类分类器，构建方法是输入数据不仅是有标签的数据对，还有生成的数据，以及没有标签的数据。用这三块构建损失。
Generated Samples to regularize a classifier
图片表征学习。Discriminator还是一个二分类器，设计了输入。XG是生成样本，m：binary mask（矩阵，只有0和1）相当于 特征抽取器
inference model
在Discriminator部分增加了C-类别。这里的是k+1类分类器，多的一类别是生成器产生，多出来的这个类别要跟真实的某一个类别接近。当模型训练完备以后，可以认为这个Discriminator具有分类能力。
Generate Data
增广数据，产生更多数据
一致性损失（Consistency Regularization一致性正则）
设计思路：
II Model
x是unlabeled数据，Aug是增广策略（随机翻转，增加噪声等等），送入模型进行识别，输出两个接近的后验概率或特征。每个训练的epoch，X会被前向推理两次，这两次的输入虽然经过不同的随机增广，但输出应该是具有一致性的。
图神经网络：AutoEncoder-based models ; GNN-based models
伪标签: Disagreement-based models ; Self-training models
Pseudo-label伪标签，标签是预测出来的。loss设计：第一项是有标记的损失，第二项是预测的伪标签进入模型的loss
伪标签方法设计：结构上，训练流程，伪标签预测方法上做设计。但是伪标签存在弊端，即1.标签选择不易，因为模型在训练初期并不是完备的模型，预测一个伪标签若是错的，那么在迭代过程中会使模型误差变大。2.alpha值（权重系数）很难确定。（也有基于这两个弊端进行改进的方法）
混合方法
结合上述方法的优点以提升训练结果。
