近日，谷歌研究者通过融合多种主流半监督学习范式，提出了一种新算法 MixMatch。该算法在多个数据集上获得了当前最优结果，且明显优于次优算法。与以前的方法不同，MixMatch 同时针对所有属性，从而带来以下优势：1）实验表明，MixMatch 在所有标准图像基准上都获得了 STOA 结果。例如，在具备 250 个标签的 CIFAR-10 数据集上获得了 11.08% 的错误率（第二名的错误率为 38%）；2）模型简化测试表明，MixMatch 比其各部分的总和要好；3）MixMatch 有助于差分隐私学习 (differentially private learning)，使 PATE 框架 [34] 中的学生能够获得新的 STOA 结果，该结果在增强隐私保障的同时，也提升了准确率。简而言之，MixMatch 为无标注数据引入了一个统一的损失项，它在很好地减少了熵的同时也能够保持一致性，以及保持与传统正则化技术的兼容。