VCC-INFUSE：面向准确高效的半监督学习中无标签样本选择
机器学习
2024-04-23 v2 计算机视觉与模式识别
摘要
尽管半监督学习取得了进展，现有方法仍未有效且高效地利用无标签数据。许多基于伪标签的方法，依据分类器的不准确置信度得分来选择无标签样本。此外，大多数 prior work 使用所有可用的无标签数据而不进行修剪，这使得处理大量无标签数据变得困难。为此，我们提出了两种方法：变分置信校准（VCC）和基于影响函数的无标签样本消除（INFUSE）。VCC 是半监督学习置信度校准的通用插件，利用变分自编码器基于三种一致性得分选择更准确的伪标签。INFUSE 是一种数据修剪方法，在半监督学习下构建无标签样本的核心数据集。我们的方法在多个数据集和设置下效果显著，降低了分类错误率，节省了训练时间。联合使用 VCC-INFUSE 可将 FlexMatch 在 CIFAR-100 数据集上的错误率降低 1.08%，同时将训练时间节省近一半。
引用
@article{arxiv.2404.11947,
title = {VCC-INFUSE: Towards Accurate and Efficient Selection of Unlabeled Examples in Semi-supervised Learning},
author = {Shijie Fang and Qianhan Feng and Tong Lin},
journal= {arXiv preprint arXiv:2404.11947},
year = {2024}
}
备注
Accepted paper of IJCAI 2024. Shijie Fang and Qianhan Feng contributed equally to this paper. New version, some problems and typos are fixed