基于解耦抽样控制的半监督学习不平衡校准抽样控制

类别不平衡是半监督学习（SSL）中的关键挑战，尤其是在标记数据与未标记数据之间的分布不匹配导致分类偏差时。虽然现有方法通过调整基于未标记数据估计的类别分布的 logits 来解决此问题，但往往以粗粒度方式处理模型不平衡，混合了数据不平衡与由特定类别学习难度差异导致的偏差。为解决此问题，我们提出统一框架 SC-SSL，通过解耦抽样控制来抑制模型偏差。在训练过程中，我们识别在理想条件下进行抽样控制的关键变量。通过引入具备显式扩展能力的分类器，并在不同数据分布之间自适应调整抽样概率，SC-SSL 缓解了少数类的特征级不平衡。在推理阶段，我们进一步分析线性分类器的权重不平衡，并应用后验抽样控制以优化偏差向量直接校准 logits。广泛的实验在各种基准数据集和分布设置下验证了 SC-SSL 的一致性和最先进性能。