La toma de decisiones basada en datos es el proceso de utilizar datos para informar su proceso de toma de decisiones y validar un curso de acción antes de comprometerse con él. La calidad de los datos no etiquetados en escenarios del mundo real presenta desafíos para el aprendizaje semi-supervisado. Aprovechar eficazmente los datos no etiquetados para el aprendizaje es un desafío debido a la necesidad de información etiquetada, mientras que la escasez de datos etiquetados requiere métodos de aumento de datos eficientes y flexibles. Para abordar estos desafíos, este documento propone el algoritmo AatMatch, que utiliza un modelo de momento, aprendizaje burdo y entrenamiento adversarial para generar ejemplos adversariales para diferentes clases. El algoritmo establece el umbral para generar pseudo-etiquetas y refuerza los resultados con perturbaciones adversariales basadas en los resultados de evaluación. Además, se ajusta una estrategia de aprendizaje más refinada para los datos no etiquetados al establecer pesos adaptativos basados en la confianza de cada punto de datos no etiquetado, mitigando así los efectos adversos de los datos no etiquetados de baja confianza en el modelo. Las evaluaciones experimentales en varios conjuntos de datos, incluidos CIFAR-10, CIFAR-100 y SVHN, demuestran la efectividad del algoritmo AatMatch propuesto en el aprendizaje semi-supervisado. Específicamente, el algoritmo logra las tasas de error más bajas para múltiples escenarios en estos conjuntos de datos.