Der Formalitätsstiltransfer (FST) ist eine Aufgabe, die das Umschreiben eines informellen Satzes in einen formellen ohne Veränderung seiner Bedeutung umfasst. Um das Problem der Datenknappheit in bestehenden parallelen Datensätzen anzugehen, neigen frühere Studien dazu, ein Zyklusrekonstruktionsverfahren zu verwenden, um zusätzliche nicht beschriftete Daten zu nutzen, wobei das FST-Modell hauptsächlich von nicht beschrifteten Sätzen auf der Zielseite profitiert. In dieser Arbeit schlagen wir ein einfaches, aber effektives semisupervisiertes Framework vor, um die Nutzung von nicht beschrifteten Sätzen auf der Quellseite durch Konsistenztraining zu verbessern. Insbesondere erweitert unser Ansatz pseudoparallele Daten, die aus einem informellen Satz auf der Quellseite gewonnen werden, indem das Modell angewiesen wird, ähnliche Ausgaben für seine gestörte Version zu generieren. Darüber hinaus haben wir die Wirkung verschiedener Methoden zur Datenstörung empirisch untersucht und effektive Strategien zur Datenfilterung vorgeschlagen, um unser Framework zu verbessern. Experimentelle Ergebnisse am GYAFC-Benchmark zeigen, dass unser Ansatz auch mit weniger als 40 % der parallelen Daten Stand-der-Technik-Ergebnisse erzielen kann.