FixMatch：弱增强生成伪标签+强增强一致性训练

FixMatch两阶段流程：

阶段1：弱增强→伪标签

• 对未标注数据x_u应用弱增强（如随机翻转+平移）得a(x_u)
• 用模型预测p = f_θ(a(x_u))
• 如果max(p) > τ（τ=0.95），伪标签q = argmax(p)

阶段2：强增强→一致性训练

• 对同一x_u应用强增强（如RandAugment/CutOut）得A(x_u)
• 用交叉熵约束f_θ(A(x_u))与伪标签q一致

损失函数：

$$\mathcal{L} = \mathcal{L}_s + \lambda_u \cdot \mathcal{L}_u$$

$$\mathcal{L}u = \frac{1}{\mu B} \sum{i=1}^{\mu B} \mathbb{1}_{(\max(p_i) > \tau)} \cdot H(\hat{q}i, f\theta(A(u_i)))$$

其中μ=7表示未标注/标注数据比例（通常1 batch标注+7 batches未标注）。

为什么FixMatch简洁有效：

1. 两大范式合一：

   • 伪标签（Pseudo-Label）：提供高质量目标
   • 一致性正则化（Consistency Regularization）：利用强增强

2. 设计简化：

   • 无需教师模型（对比Mean Teacher）
   • 无需对抗扰动（对比VAT）
   • 无需多个增强分支（对比Π-Model/UDA）

3. 关键技巧：

   • 高阈值τ（0.95）确保伪标签质量
   • 强增强提供足够难的扰动
   • 两者配合实现"伪标签质量→强学习"的正循环

4. 扩展：RemixMatch（加上分布对齐）、FlexMatch（自适应阈值）