FairMatch: 레이블이 없는 샘플을 통한 부분 레이블 학습 촉진

본 논문은 레이블이 없는 샘플을 활용하여 부분 레이블 학습(PLL)을 개선하는 것을 목표로 하는 반지도 부분 레이블 학습(SSPLL) 문제를 연구합니다. 기존의 SSPLL 방법과 반지도 학습 방법 모두 모델 출력의 최대값을 기반으로 고신뢰도 레이블이 없는 샘플을 의사 레이블로 선택하여 레이블이 없는 샘플의 정보를 활용합니다. 그러나 레이블이 있는 샘플의 부족과 부분 레이블로 인한 모호성이 이 전략을 각 클래스에서 고신뢰도 샘플을 불공정하게 선택하도록 skew합니다. 특히 훈련 초기 단계에서 더 느린 훈련과 성능 저하로 이어집니다. 본 논문에서는 모든 클래스에서 동일한 수의 고신뢰도 샘플을 선택하기 위해 학습 상태 인식 자기 적응 임계값을 채택하고, PLL을 촉진하기 위해 레이블이 없는 샘플을 통합하기 위해 증강 일관성을 사용하는 새로운 방법 FairMatch를 제안합니다. 또한, 후보 레이블 모호성을 제거하여 부분 레이블 샘플을 활용하고 선택된 고신뢰 레이블이 없는 샘플과 부분 레이블 샘플을 혼합하여 모델이 부분 레이블 샘플에 과적합되는 것을 방지합니다. FairMatch는 CIFAR-10, CIFAR-100 및 CIFAR-100H에서 각각 최대 9.53%, 4.9%, 16.45%의 정확도 향상을 달성할 수 있습니다. 코드는 https://github.com/jhjiangSEU/FairMatch 에서 확인할 수 있습니다.