IOMatch：联合利用内点与离群点简化开放集半监督学习
计算机视觉与模式识别
2023-08-28 v1 机器学习
摘要
半监督学习（SSL）旨在当标签获取昂贵时利用海量无标签数据。遗憾的是，在许多真实应用中，收集的无标签数据不可避免地包含不属于任何已标类的未见类离群点。为应对这一具挑战性的开放集 SSL 任务，主流方法倾向于先检测离群点再将其过滤。然而，我们观察到一个令人惊讶的事实：当标签极度稀缺时，这种做法会导致更严重的性能退化，因为不可靠的离群点检测器可能错误排除相当部分有价值的内点。为解决此问题，我们引入一种新颖的开放集 SSL 框架 IOMatch，其能联合利用内点与离群点，即便难以精确区分二者。具体地，我们提出采用一个多二元分类器与标准闭集分类器结合，以生成统一的开放集分类目标，该目标将所有离群点视为单一新类。通过采用这些目标作为开放集伪标签，我们用包含所有无标签样本（内点与离群点）优化一个开放集分类器。广泛实验表明，尽管 IOMatch 极为简洁，其在不同基准数据集与不同设定下均显著优于基线方法。我们的代码与模型见于 https://github.com/nukezil/IOMatch。
引用
@article{arxiv.2308.13168,
title = {IOMatch: Simplifying Open-Set Semi-Supervised Learning with Joint Inliers and Outliers Utilization},
author = {Zekun Li and Lei Qi and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2308.13168},
year = {2023}
}
备注
Accepted by ICCV 2023, selected for an Oral presentation