基于锚定置信度提升分布迁移下的自训练（带理论保证）

在分布迁移情况下，自训练往往难以实现，因为预测置信度与实际准确性之间的差距会增加。这通常需要计算密集型方法，如基于邻域或集成的标签修正。drawing inspiration from early learning regularization的洞见，我们发展了一种基于时间一致性的原则方法，以提高分布迁移下的自训练效果。具体而言，我们构建了一个结合简单相对阈值的不确定性感知的时间序列集成。该集成平滑了噪声伪标签，以促进选择性时间一致性。我们证明了时间序列集成是渐近正确的，且我们的标签平滑技术可缩小自训练的最优间隙。我们的大量实验表明，在多样化的分布迁移情景下，我们的方法可通过8%至16%的性能提升显著改善自训练效果，而且没有计算开销。此外，我们的方法具有诸多吸引性特性，如 improved calibration性能以及对不同超参数选择的鲁棒性。