半監督學習是一種介于監督學習和無監督學習之間的機器學習方法，它利用大量的未標記數據和少量的標記數據來進行模型訓練。以下是幾種常見的半監督學習方法：

自訓練（Self-training）：

方法：自訓練方法先使用標記數據訓練一個初始模型，然后用該模型來預測未標記數據的標簽。接著，將置信度較高的預測結果作為新的標記數據加入訓練集，再次訓練模型。這一過程反復進行，逐步擴展標記數據集。
優點：簡單易行，能夠有效利用未標記數據。
缺點：模型的初始性能對最終結果影響較大，錯誤傳播的風險較高。
共訓練（Co-training）：

方法：共訓練方法假設數據有多個視角（如不同特征子集），利用這兩個視角訓練兩個模型。兩個模型互相監督，分別用自己的預測結果標記未標記數據，然后將置信度高的標記數據加入訓練集中進行再次訓練。
優點：能夠從不同視角利用未標記數據，提高模型的魯棒性。
缺點：需要數據有多個視角或特征子集，應用場景有限。
生成對抗網絡（GAN）：

方法：在半監督學習中，GAN可以通過生成器生成數據，并使用判別器進行分類。判別器不僅區分真實數據和生成數據，還對真實數據進行分類，生成器和判別器相互優化。
優點：能夠生成高質量的合成數據，豐富訓練集。
缺點：訓練過程復雜，對計算資源要求較高。
圖形方法（Graph-based methods）：

方法：利用圖結構表示數據點及其相似性，將標記數據和未標記數據連接成圖，通過傳播標記信息來進行分類。常見的方法有標簽傳播（Label Propagation）和標簽擴散（Label Spreading）。
優點：能夠有效利用數據之間的關系，特別適合社交網絡、推薦系統等領域。
缺點：圖構建和計算復雜度較高，處理大規模數據時效率較低。
熵最小化（Entropy Minimization）：

方法：在訓練過程中，最小化模型在未標記數據上的預測熵，使模型對未標記數據的預測更加確定。這樣可以引導模型學習到更好的決策邊界。
優點：能夠在一定程度上減少錯誤傳播，提高模型泛化能力。
缺點：可能需要配合其他方法使用效果更好。
一致性正則化（Consistency Regularization）：

方法：要求模型在未標記數據上對不同擾動（如數據增強、對抗攻擊）的預測結果一致。常見的方法有Pi Model、Temporal Ensembling和Mean Teacher。
優點：提高模型的魯棒性和泛化能力。
缺點：需要設計合適的擾動方式，計算成本較高。

參考：
https://blog.csdn.net/DeniuHe/article/details/140752877