面向半监督学习的特征空间重整化
机器学习
2026-03-19 v2
摘要
半监督学习（SSL）已被证明是一种利用无标签数据缓解模型对大规模标签数据集依赖的有力方法。近期方法的通用框架是在大量无标签数据上训练模型，并采用一致性正则化以约束模型预测对输入扰动保持不变。本文提出一种面向 SSL 的特征空间重整化（FSR）机制，其对特征表示而非标签施加一致性，使模型学习更好的判别性特征。为将该机制应用于 SSL，我们设计了一个由双分支头与 FSR 块组成的双分支 FSR 模块。该模块可无缝即插即用地嵌入现有 SSL 框架以提升基础 SSL 的性能。实验结果表明，我们提出的 FSR 模块帮助基础 SSL 框架（如 CRMatch 和 FreeMatch）在多种标准 SSL 基准数据集上取得更好性能，且不增加计算时间与 GPU 内存方面的额外开销。
引用
@article{arxiv.2311.04055,
title = {Feature Space Renormalization for Semi-supervised Learning},
author = {Jun Sun and Wancheng Zhang and Chao Zhou and Zhongjie Mao and Chao Li and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:2311.04055},
year = {2026}
}
备注
Version 2