L'apprentissage semi-supervisé s'est imposé comme une approche clé pour exploiter efficacement les données étiquetées rares en combinaison avec des données non étiquetées abondantes. Malgré les progrès significatifs réalisés, les méthodes actuelles de SSL imposent principalement une consistance entre différentes versions augmentées d’un même échantillon, négligeant ainsi la riche structure relationnelle inhérente à un mini-batch. Dans cet article, nous proposons RelationMatch, un nouveau cadre d’apprentissage semi-supervisé qui impose explicitement une consistance relationnelle intra-batch via une fonction de perte de cross-entropie matricielle (MCE). La perte MCE proposée est rigoureusement dérivée à partir de perspectives analytiques matricielles et de géométrie de l’information, garantissant à la fois une fondation théorique solide et une efficacité pratique. Des évaluations empiriques étendues sur des benchmarks standards, incluant une amélioration notable de 15,21 % en précision par rapport à FlexMatch sur STL-10, démontrent que RelationMatch non seulement atteint des performances de pointe, mais aussi établit une base fondée sur des principes solides pour intégrer des indices relationnels dans l’apprentissage semi-supervisé.