CalibrateMix：基于引导式混合增强的图像半监督模型校准方法
计算机视觉与模式识别
2025-11-18 v1 人工智能
摘要
半监督学习（SSL）已在图像分类任务中通过有效利用有标签和无标签数据显示出高性能。然而，现有SSL方法常因模型输出过于自信且无法真实反映实际预测概率而表现不佳。最近，采用{\tt mixup}训练的神经网络在监督学习场景中表现出更好的校准效果。然而，神经网络模型的校准在半监督设置中仍未得到充分探索。虽然在监督模型校准方面有效，但在SSL中随机混合伪标签面临伪标签过度自信和不可靠的挑战。本文引入CalibrateMix，一种针对性的混合增强方法，旨在提高SSL模型的校准水平，同时维持或提升其分类精度。该方法利用有标签和无标签样本的训练动力学，以识别“易学习”和“难学习”样本，进而用于易样本和难样本之间的针对性混合。实验表明，在多个基准图像数据集上，我们的方法在期望校准误差（ECE）和分类精度方面均优于现有SSL方法。
引用
@article{arxiv.2511.12964,
title = {CalibrateMix: Guided-Mixup Calibration of Image Semi-Supervised Models},
author = {Mehrab Mustafy Rahman and Jayanth Mohan and Tiberiu Sosea and Cornelia Caragea},
journal= {arXiv preprint arXiv:2511.12964},
year = {2025}
}