CLAF：面向不平衡半监督学习的增强特征对比学习

由于利用无标签数据和习得有意义的表示的优势，半监督学习和对比学习已逐步结合，以在具有少量标记数据和大量无标签数据的热门应用中取得更好的性能。一种常见做法是为无标签样本分配伪标签，并从伪标签样本中选择正样本和负样本以应用对比学习。然而，现实世界中的数据可能是不平衡的，导致伪标签偏向多数类，从而进一步削弱对比学习的有效性。为了应对这一挑战，我们提出了增强特征对比学习（CLAF）。我们设计了一个类相关特征增强模块，以缓解对比学习中少数类样本的稀缺问题。对于每个伪标签样本，我们从标记数据而非无标签数据中选择正样本和负样本来计算对比损失。在不平衡图像分类数据集上的综合实验证明了 CLAF 在不平衡半监督学习背景下的有效性。