Diese Arbeit befasst sich mit tiefen transduktiven Lernverfahren und stellt TransBoost als Verfahren zur Feinabstimmung beliebiger tiefer neuronaler Modelle vor, um deren Leistung auf beliebigen (unbeschrifteten) Testsets zu verbessern, die bereits zur Trainingszeit zur Verfügung stehen. TransBoost ist von einem Prinzip mit großer Margin inspiriert und zeichnet sich durch Effizienz und einfache Anwendung aus. Unser Ansatz verbessert die Klassifizierungsgenauigkeit auf ImageNet erheblich über eine Vielzahl unterschiedlicher Architekturen hinweg, darunter ResNets, MobileNetV3-L, EfficientNetB0, ViT-S und ConvNext-T, und erreicht dabei state-of-the-art-Leistungen im transduktiven Lernen. Zudem zeigen wir, dass TransBoost auch auf einer breiten Palette von Bildklassifizierungsdatasets wirksam ist. Die Implementierung von TransBoost ist unter folgender Adresse verfügbar: https://github.com/omerb01/TransBoost.