NorMatch：以归一化流匹配判别分类器的半监督学习框架
计算机视觉与模式识别
2024-02-19 v2
摘要
半监督学习(SSL)旨在利用极少量标注集和大量无标注数据来学习模型。为更好地利用无标注数据，最新的SSL方法使用由单一判别分类器预测的伪标签。然而，生成的伪标签不可避免地关联固有的确认偏差与噪声，极大影响模型性能。本文提出一种名为NorMatch的SSL新框架。首先，我们引入基于归一化流作为辅助分类器的不确定性估计新方案，以强制高确定性伪标签，从而提升判别分类器。其次，我们引入无阈值样本加权策略，以更好地利用高与低置信度伪标签。此外，我们利用归一化流以无监督方式对无标注数据的分布建模。该建模假设可进一步通过无标注数据提升生成式分类器性能，从而隐式促进更好的判别分类器训练。我们通过数值与可视化结果证明，NorMatch在多个数据集上取得了SOTA性能。
引用
@article{arxiv.2211.09593,
title = {NorMatch: Matching Normalizing Flows with Discriminative Classifiers for Semi-Supervised Learning},
author = {Zhongying Deng and Rihuan Ke and Carola-Bibiane Schonlieb and Angelica I Aviles-Rivero},
journal= {arXiv preprint arXiv:2211.09593},
year = {2024}
}
备注
Accepted to Transactions on Machine Learning Research