一句话：伪标签（Pseudo-Labeling）就是先让一个已经训练过的模型去猜无标注数据，把其中"猜得很自信"的那部分结果当成临时答案，再把它们混进训练集，重新训练模型。
打个比方
想象你带一个实习生做题库。真正有标准答案的题只有一百道，但没答案的题有一万道。你不可能每题都亲自批。于是你让实习生先按自己学到的东西把一万道题全做一遍，然后规定：自己觉得有九成把握的题，就当答案是对的，拿去复习；没把握的题直接跳过。复习一轮后，他水平涨了，再回头把之前跳过的题重做一遍，又能捞回一批。
这就是伪标签的循环：训练 → 预测 → 挑高置信的当标签 → 再训练。通常把出预测的模型叫教师（teacher），被教的那个叫学生（student），两者可以是同一个模型，也可以不是。
关键在"高置信"三个字。实现上一般看模型输出的概率，比如只保留预测概率超过某个门槛的样本，或者每个类别只取最靠前的一小撮。也可以不丢硬标签，直接把整条概率分布当软标签用，信息量更大。
为什么它管用，又为什么容易翻车
管用的理由很朴素：无标注数据几乎不要钱，标注数据很贵。模型其实已经对一部分数据学到了不错的特征，让这些可靠判断反过来固化进参数，等于凭空扩大了训练集。
翻车的理由也很朴素：模型错的地方，它自己往往同样自信。你一旦把它的错误当成标准答案，下一轮它就会更坚定地错下去，这叫确认偏误（confirmation bias），噪声会滚雪球。
常见的刹车手段有几个：卡置信度阈值、按类别配平避免某一类被刷屏、给伪标签的损失降权、要求模型对同一张图的不同增强版本给出同样答案（一致性正则）、教师模型用参数的滑动平均慢慢更新而不是蹦来蹦去。具体怎么配，各家实现差别很大，以自己项目的验证集为准。
和几个近邻的区别
注意伪标签和主动学习刚好相反：一个挑最确定的交给模型，一个挑最不确定的交给人类。而知识蒸馏虽然也是"教师教学生"，但它通常追求的是把大模型变小，伪标签追求的是白捡数据。
对从业者的意义
第一，这是一条"用算力换标注"的路子，在检测、分割、语音、文本分类里都很常见。第二，做实验时千万别把伪标签打到验证集和测试集上，否则指标会虚高，上线的落差能让你怀疑人生。第三，伪标签本质上是把模型当下的判断写进了数据，迭代节奏太快容易自我强化，建议每轮都留一份干净的人工标注集做体检。