オープンセットデータを巧みに活用したロバスト半教師あり学習

オープンセット半教師あり学習（OSSL）は、ラベル付きデータセットに見られないクラスから未ラベルデータが来る可能性がある現実的な設定を持っています。つまり、分布外（OOD）データであり、これが従来のSSLモデルの性能低下を引き起こす可能性があります。この問題に対処するために、従来の分布内（ID）分類器に加えて、いくつかの既存のOSSLアプローチは、OODデータの潜在的な悪影響を回避するために追加のOOD検出モジュールを使用しています。しかしながら、これらのアプローチは通常、訓練プロセス中にオープンセットデータの全体セットを使用しており、その中にはOSSLタスクに不適切なデータが含まれていることがあり、モデルの性能に悪影響を及ぼす可能性があります。これが、OSSLのためのロバストなオープンセットデータ選択戦略の開発を促しました。学習理論の観点から理論的な理解を通じて、我々は、モデルの訓練にオープンセットデータを選択的に活用する一般的なOSSLフレームワークであるWise Open-set Semi-supervised Learning（WiseOpen）を提案します。勾配分散ベースの選択メカニズムを適用することにより、WiseOpenはオープンセットデータセット全体の代わりに友好的なサブセットを利用して、モデルのID分類能力を向上させます。さらに、計算コストを削減するために、それぞれ低周波数更新と損失ベースの選択を採用したWiseOpenの2つの実用的な変種も提案します。広範な実験は、最新技術と比較してWiseOpenの効果を示しています。