CDMAD：面向类别分布不匹配的类别不平衡半监督学习去偏

在类别不平衡数据集上训练的基于伪标签的半监督学习 (SSL) 算法面临两个级联挑战：1) 分类器倾向于偏向多数类，以及 2) 有偏的伪标签被用于训练。在 SSL 中适当地重新平衡分类器很困难，因为未标记集的类别分布通常是未知的，并且可能与标记集的类别分布不匹配。我们提出了一种新颖的类别不平衡 SSL 算法，称为类别分布不匹配感知去偏 (CDMAD)。在每次训练迭代中，CDMAD 首先通过在没有任何模式的图像（例如，纯色图像）上计算 logits 来评估分类器对每个类别的偏向程度，该图像可以被认为与训练集无关。然后，CDMAD 通过确保分类器的中立性来细化基础 SSL 算法的有偏伪标签。CDMAD 在基础 SSL 算法的训练过程中使用这些细化后的伪标签，以提高表示的质量。在测试阶段，CDMAD 类似地细化对测试样本的有偏类别预测。CDMAD 可以看作是事后 logit 调整的扩展，旨在解决在类别分布不匹配的情况下，结合未标记集的未知类别分布来重新平衡有偏分类器的挑战。CDMAD 确保了平衡误差的 Fisher 一致性。大量实验验证了 CDMAD 的有效性。