模型對未標註資料的預測，只要信心夠高，就當真標籤用。
門檻 τ 決定一切：數量與品質的永恆拉鋸。
半監督式學習介於兩者之間：只有少量資料有標籤，但有大量沒標籤的資料。它想辦法讓沒標籤的資料也派上用場，省下昂貴的人工標註。
偽標籤是自訓練的核心動作：模型對未標註資料做預測，當預測機率（信心）超過門檻時，就把這個預測當成「偽標籤」一起拿去訓練。門檻是關鍵旋鈕：太低會收進一堆錯標籤，太高則幾乎沒新資料可用。
下方每個未標註點都有一個模型給的信心值。拖動門檻：只有信心高於門檻的點會被採用為偽標籤（亮起）。同時觀察被採用的偽標籤裡有多少其實是錯的。
把門檻往右拉：採用的數量變少，但正確率上升。這就是偽標籤永遠的權衡——數量 vs 品質。
偽標籤是半監督學習的核心做法,iPAS 半監督考點(中級科目三)。重點:先用少量標註訓練,對未標註資料預測,把高信心的預測當偽標籤加入訓練、反覆迭代。易混點:最大風險是確認偏誤——偽標籤錯了會自我強化、越錯越深,需設信心門檻並謹慎;它是自訓練的核心,FixMatch 等把它與強增強、一致性結合。情境:標註稀少時擴大有效訓練集。
想練情境題與詳解 → AI 學習與考證地圖
半監督技巧；先用已標註資料訓練模型，對未標註資料預測，把高信心的預測當偽標籤加入訓練，反覆迭代。
讓模型利用大量未標註資料、擴大有效訓練集，在標註稀少時常能提升；但偽標籤錯了會自我強化，需設信心門檻。
確認偏誤——若偽標籤錯了，模型會學到錯誤並自我強化、越錯越深；需設信心門檻並謹慎。
只採用高信心預測、逐步加入、配合資料增強與一致性正則化、監控驗證表現，必要時設定偽標籤權重。
偽標籤是自訓練(self-training)的核心做法；FixMatch 等現代方法把它與強增強、一致性結合，效果更佳。