在半监督学习中，结合无监督损失（如交叉熵（CE）损失）和置信度阈值的策略主要用于确保模型从高质量、高置信度的伪标签中学习。这种方法特别适用于分类问题，其中CE损失直接作用于模型的预测类别概率和目标（真实或伪）标签之间。使用置信度阈值可以帮助模型专注于那些它最有可能正确分类的样本，从而提高学习的效率和准确性，减少错误标签的负面影响。

对于均方误差（MSE）损失，在某些情况下，其使用方式可能不同，原因如下：

1. 损失函数的本质：MSE损失衡量的是预测值和真实值之间的平方差，通常用于回归任务。在处理像素级任务（如变化检测、图像分割）时，如果模型预测和目标之间的差异以连续值（如像素强度）表示，MSE可以直接应用于这些连续值上，而无需基于离散的类别标签进行操作。

2. 连续值的置信度不明确：在使用MSE损失的场景中，特别是在像素级预测的情况下，每个像素的预测值通常表示为一个连续值（例如，变化的可能性或某种属性的强度），而不是分类概率。这种情况下，置信度的概念不像在分类任务中那样直接或明确。因此，对于连续输出的估计，可能不需要（也不容易）设置置信度阈值。

3. 自动忽略不确定性：在使用MSE损失函数的回归或像素级预测任务中，模型的学习过程自然地关注于减少预测值和目标值之间的差异。如果模型对某些预测不确定，这些预测产生的误差将自然较大，但不需要显式通过置信度阈值来筛选这些样本。模型可能通过整体误差最小化来间接地提高其预测的准确性。

然而，即使在使用MSE损失的场景中，考虑预测的置信度或不确定性仍然是有益的。例如，可以通过模型的不确定性估计来加权MSE损失，使模型在更加确定的预测上分配更多的权重。这种方法在实践中较少见，且实现起来相对复杂，因为它要求有一个可靠的不确定性或置信度的度量方式。

总之，CE损失与置信度阈值结合使用的策略特别适合于分类任务，用以确保模型从高置信度的样本中学习。而MSE损失由于通常应用于回归或像素级预测任务，其中置信度的概念不那么直接，因此不常与置信度阈值结合使用。