MutexMatch：基于互斥一致性正则化的半监督学习
计算机视觉与模式识别
2022-12-22 v2 机器学习
摘要
半监督学习(SSL)的核心问题在于如何有效利用无标签数据，而多数现有方法倾向于高度重视高置信度样本的利用，却很少充分探索低置信度样本的使用。本文中，我们旨在以所提出的基于互斥的一致性正则化（即 MutexMatch）这一新颖方式利用低置信度样本。具体地，高置信度样本被要求通过常规真阳性分类器精确预测“它是什么”，而低置信度样本则被用于实现一个更简单的目标——通过真阴性分类器轻松预测“它不是什么”。就此意义，我们不仅缓解了伪标签错误，还借助不相似度的一致性充分利用了低置信度无标签数据。MutexMatch 在多个基准数据集（即 CIFAR-10、CIFAR-100、SVHN、STL-10、mini-ImageNet 与 Tiny-ImageNet）上取得了优越性能。更重要的是，当标签数据稀缺时，我们的方法进一步展现出优越性，例如在 CIFAR-10 上仅用 20 个标签数据即达到 92.23% 准确率。我们的代码与模型权重已发布于 https://github.com/NJUyued/MutexMatch4SSL。
引用
@article{arxiv.2203.14316,
title = {MutexMatch: Semi-Supervised Learning with Mutex-Based Consistency Regularization},
author = {Yue Duan and Zhen Zhao and Lei Qi and Lei Wang and Luping Zhou and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2203.14316},
year = {2022}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS)