FixMatch: Simplificando o Aprendizado Semi-Supervisionado com Consistência e Confiança

O aprendizado semi-supervisionado (SSL) fornece uma maneira eficaz de aproveitar dados não rotulados para melhorar o desempenho de um modelo. Neste artigo, demonstramos o poder de uma combinação simples de dois métodos comuns de SSL: regularização de consistência e pseudo-rotulagem. Nosso algoritmo, FixMatch, primeiro gera pseudo-rotulos usando as previsões do modelo em imagens não rotuladas com aumento fraco. Para uma dada imagem, o pseudo-rotulo é mantido apenas se o modelo produzir uma previsão de alta confiança. O modelo é então treinado para prever o pseudo-rotulo quando alimentado com uma versão fortemente aumentada da mesma imagem. Apesar de sua simplicidade, mostramos que o FixMatch alcança desempenho de ponta em uma variedade de benchmarks padrão de aprendizado semi-supervisionado, incluindo 94,93% de precisão no CIFAR-10 com 250 rótulos e 88,61% de precisão com 40 - apenas 4 rótulos por classe. Como o FixMatch apresenta muitas semelhanças com métodos existentes de SSL que alcançam desempenho inferior, realizamos um extenso estudo de ablação para separar os fatores experimentais que são mais importantes para o sucesso do FixMatch. Disponibilizamos nosso código em https://github.com/google-research/fixmatch.