本研究では、単純でありながら効果的な半教師付き学習手法である拡張分布アライメント（Augmented Distribution Alignment）を提案します。我々は、半教師付き学習において、ラベル付きサンプルの数が限られていることにより本質的なサンプリングバイアスが存在することを明らかにしました。このバイアスは、しばしばラベル付きデータと非ラベル付きデータの経験的分布間に大きな不一致を引き起こします。これを解決するために、我々はラベル付きデータと非ラベル付きデータの経験的分布をアライメントすることでバイアスを軽減することを提案します。一方で、ドメイン適応の研究から着想を得て、敵対的訓練戦略を採用し、ラベル付きデータと非ラベル付きデータ間の分布距離を最小化します。他方で、ラベル付きデータのサンプルサイズが小さい問題に対処するため、擬似訓練サンプルを生成する単純な補間戦略も提案します。これらの2つの戦略は既存の深層ニューラルネットワークに容易に実装できます。我々は提案手法の有効性をSVHNおよびCIFAR10ベンチマークデータセット上で示しています。当該コードは\url{https://github.com/qinenergy/adanet}で公開されています。