少量有标注，大量无标注
(1)连续性/平滑性假设：相近的数据点可能有相同的标签
(2)集群假设：在分类问题中，数据往往被组织成高密度的集群，同一集群的数据点可能具有相同的标签。因此，决策边界不应该位于密集的数据点区域；相反，它应该位于高密度区域之间，将它们分离成不连续的群组。
(3)流形假设：高纬数据分布可以在一个嵌入式的低纬空间中表示。这个低纬空间被称为数据流形。
核心动机：利用连续性和集群假设
具体操作：对于一个给定的特征x，我们的模型应该对潜在Augment（x）半径内的所有数据点做出类似的预测。即加扰动不影响输出。（我们选中x。那么x和x周围的类别是一致的）
实现方法：
正规全监督+
x
i
x_i
xi 和
x
i
x_i
xi附近 的数据点的差距（差距不大）
l
o
s
s
=
{
C
r
o
s
s
E
n
t
r
o
p
y
(
x
i
,
y
i
)
+
∥
f
θ
(
x
i
)
−
f
θ
(
A
u
g
m
e
n
t
(
x
i
)
)
∥
2
2
,
x
i
∈
X
l
a
b
e
l
e
d
∥
f
θ
(
x
i
)
−
f
θ
(
A
u
g
m
e
n
t
(
x
i
)
)
∥
2
2
,
x
i
∈
X
u
n
l
a
b
l
e
d
\left.loss=\left\{
核心动机：把半监督问题转换成全监督
具体操作：想办法得到伪标签
核心动机：用鉴别器找到值得信赖的区域
核心动机：识别哪些未标记的点是最有价值的，由人在循环中进行标记。