SSL（半监督学习）模型通过利用未标记数据和专门技术来解决类别不平衡问题，从而防止对多数类的偏见。与仅依赖标记数据的监督方法不同，SSL 使用标记和未标记样本，从而提供更大的灵活性。核心思想是通过结合伪标记与置信度阈值、数据增强和重新加权损失函数等策略，来确保模型不会不成比例地偏向常见类别。即使标记示例很少，这些方法也有助于平衡训练期间稀有类别的影响。
一种常见的方法是修改伪标记以优先考虑代表性不足的类别。例如，模型可能会为未标记的数据生成伪标记，但仅保留置信度超过类别特定阈值的预测。如果少数类的标记示例较少，则可以降低阈值以包含更多的伪标记。像 FixMatch 这样的技术为所有类别使用固定的置信度阈值，但开发人员可以通过基于类别频率动态调整阈值来调整此方法。数据增强也发挥作用：对少数类样本更积极地应用旋转或裁剪等变换可以人为地增加它们的有效贡献。例如，在图像分类中，可以用更高的可变性来增强少数类图像，以模拟更平衡的数据集。
另一种策略涉及调整损失函数或合并类别感知权重。SSL 模型通常结合监督损失（在标记数据上）和非监督损失（在伪标记上）。开发人员可以在监督损失项中为少数类分配更高的权重，或者根据类别分布缩放非监督损失。像 ReMixMatch 这样的方法显式地将伪标记的类别分布与标记数据的分布对齐，以防止偏差。此外，一些框架使用一致性正则化——确保模型为同一输入的不同增强产生相似的输出——以减少对多数类的过度拟合。例如，文本分类器可能会对少数类句子应用同义词替换，从而鼓励模型学习鲁棒的特征，尽管标记示例有限。通过结合这些技术，SSL 模型可以减轻不平衡，而无需大量的标记数据。开发人员可以使用像 PyTorch 或 TensorFlow 这样的库来实现这些想法，并根据数据集的不平衡比率调整像增强强度或损失权重这样的参数。