摘要
半监督学习（Semi-Supervised Learning, SSL）旨在当仅有少量标注数据可用时，利用未标注数据来训练性能强大的模型。现有SSL方法通常假设标注数据与未标注数据中的样本属于相同的类别。然而，本文提出了一种更为复杂且新颖的场景——开放集半监督学习（Open-Set SSL），其中未标注数据中包含分布外（Out-of-Distribution, OOD）样本。不同于将分布外检测与半监督学习分别独立处理，本文提出一种多任务课程学习框架。首先，为检测未标注数据中的OOD样本，我们估计样本属于OOD的概率。为此，设计了一种联合优化框架，交替更新网络参数与OOD评分。同时，为提升对分布内（In-Distribution, ID）数据分类的性能，我们从未标注数据中筛选出OOD得分较低的样本（即更可能为ID样本），并将这些样本与已标注数据共同用于深度神经网络的训练，从而以半监督方式实现对ID样本的高效分类。通过一系列实验验证，所提方法在有效消除OOD样本干扰的同时，取得了当前最优的性能表现，显著提升了开放集半监督学习的实用性与鲁棒性。