利用标签比例先验进行类别不平衡的半监督学习
机器学习
2026-03-04 v1 计算机视觉与模式识别
摘要
半监督学习（SSL）在类别不平衡情况下常常面临问题，其中伪标签化会放大多数类的偏差，同时抑制少数类的表现。我们提出一种轻量级框架，据我们所知，这是首次将来自学习标签比例（LLP）中的比例损失（Proportion Loss）引入SSL作为正则化项。比例损失通过对模型预测与全局类别分布进行对齐，缓解了多数类和少数类之间的偏差。为进一步稳定训练过程，我们构建了一种随机变体，以考虑小批量组成的波动。在长尾 CIFAR-10 基准测试上实验表明，将比例损失集成到 FixMatch 和 ReMixMatch 中，可在不同不平衡程度和标签比例下持续超越基线方法，并在稀疏标签条件下与现有CISSL方法达到竞争甚至更优的性能。
关键词
引用
@article{arxiv.2603.02957,
title = {Leveraging Label Proportion Prior for Class-Imbalanced Semi-Supervised Learning},
author = {Kohki Akiba and Shinnosuke Matsuo and Shota Harada and Ryoma Bise},
journal= {arXiv preprint arXiv:2603.02957},
year = {2026}
}