摘要
半监督学习（Semi-supervised Learning, SSL）已成为有效利用少量标注数据与大量未标注数据的关键方法。尽管该领域已取得显著进展，但现有SSL方法主要侧重于对单个样本的不同增强视图之间强制一致性，因而忽略了小批量（mini-batch）内部蕴含的丰富关系结构。本文提出一种新型SSL框架——RelationMatch，通过矩阵交叉熵（Matrix Cross-Entropy, MCE）损失函数，显式地在批量内建模并强制关系一致性。所提出的MCE损失函数从矩阵分析与信息几何两个理论视角严格推导而来，兼具理论严谨性与实际有效性。在多个标准基准上的大量实证实验表明，RelationMatch不仅显著提升了当前最优性能，例如在STL-10数据集上相较于FlexMatch实现了15.21%的准确率提升，更提供了一个系统化融合关系线索的理论基础，为半监督学习中关系建模的发展开辟了新路径。