Semi-supervised Learning hat in letzter Zeit erhebliche Aufmerksamkeit erfahren, da es die Notwendigkeit großer Mengen an gelabelten Daten verringert, die oft kostspielig, auf Expertenwissen angewiesen und zeitaufwendig zu sammeln sind. Neuere Entwicklungen im Bereich des tiefen semi-supervised Klassifikationsverfahrens haben Leistungsstände erreicht, die beispiellos sind, und die Lücke zwischen überwachtem und semi-supervised Learning nimmt kontinuierlich ab. Diese Leistungssteigerung beruht auf der Einbeziehung zahlreicher technischer Tricks, starker Augmentationsmethoden sowie kostenintensiver Optimierungsstrategien mit mehrfach termierten Verlustfunktionen. Wir stellen einen neuen Ansatz, LaplaceNet, für tiefes semi-supervised Klassifizieren vor, der eine erheblich reduzierte Modellkomplexität aufweist. Unser Ansatz basiert auf einer hybriden Methode, bei der Pseudolabels durch Minimierung der Laplace-Energie auf einem Graphen generiert werden. Diese Pseudolabels werden anschließend verwendet, um iterativ ein neuronales Netzwerk-Backbone zu trainieren. Unser Modell erreicht eine bessere Leistung als aktuelle State-of-the-Art-Methoden für tiefes semi-supervised Klassifizieren über mehrere Benchmark-Datensätze hinweg. Darüber hinaus betrachten wir die Anwendung starker Augmentationsverfahren auf neuronale Netze theoretisch und begründen die Verwendung eines Multi-Sampling-Ansatzes für semi-supervised Learning. Durch umfassende Experimente zeigen wir, dass ein Multi-Sampling-Augmentationsansatz die Generalisierungsfähigkeit verbessert und die Empfindlichkeit des Netzwerks gegenüber Augmentationsoperationen reduziert.