Semi-supervised Learning ist zu einem zentralen Ansatz geworden, um seltene gelabelte Daten gemeinsam mit reichlich ungelabelten Daten zu nutzen. Trotz erheblicher Fortschritte setzen bestehende SSL-Methoden vorwiegend auf Konsistenz zwischen verschiedenen augmentierten Ansichten einzelner Samples, wodurch die reichhaltige relationale Struktur innerhalb eines Mini-Batches übersehen wird. In diesem Artikel stellen wir RelationMatch vor, einen neuen SSL-Framework, der durch eine Matrix-Cross-Entropy (MCE)-Verlustfunktion explizit die relationale Konsistenz innerhalb eines Batches erzwingt. Der vorgeschlagene MCE-Verlust wird streng aus Sicht der Matrixanalyse und der Informationstheorie abgeleitet, was eine theoretisch fundierte und praktisch wirksame Lösung gewährleistet. Umfassende empirische Evaluierungen an etablierten Benchmarks zeigen, dass RelationMatch nicht nur die derzeit beste Leistung erreicht, sondern auch eine konsistente Grundlage für die Integration relationaler Hinweise im SSL bietet – beispielsweise eine signifikante Verbesserung der Genauigkeit um 15,21 % gegenüber FlexMatch auf STL-10.