通过锚点-正样本对的熵加权置信度集成改进半监督对比学习
机器学习
2026-01-09 v1 人工智能
摘要
传统的半监督对比学习方法仅对最高预测类别概率超过预定义阈值的样本分配伪标签，然后使用这些选定的样本进行监督对比学习。在本研究中，我们提出了一种新颖的损失函数，该函数基于预测概率分布的熵来估计每个样本的置信度，并应用基于置信度的自适应加权。这种方法甚至可以为以前被排除在训练之外的样本分配伪标签，并以更有原则的方式促进考虑锚点和正样本置信度的对比学习。实验结果表明，所提出的方法提高了分类精度，即使在低标签条件下也能实现更稳定的学习性能。
引用
@article{arxiv.2601.04555,
title = {Improving Semi-Supervised Contrastive Learning via Entropy-Weighted Confidence Integration of Anchor-Positive Pairs},
author = {Shogo Nakayama and Masahiro Okuda},
journal= {arXiv preprint arXiv:2601.04555},
year = {2026}
}