摘要
尽管数据资源丰富，但数据标注成本高昂。半监督学习方法通过结合少量标注样本与大量未标注数据，能够高效地训练模型。本文提出了一种名为LiDAM的半监督学习方法，该方法融合了领域自适应（domain adaptation）与自 paced 学习（self-paced learning）的思想。LiDAM首先通过局部领域偏移（localized domain shifts）操作，提取更具领域不变性的特征，从而提升聚类的准确性并生成更可靠的伪标签。随后，采用一种基于高置信度预测中多数一致性原则的新型迭代匹配技术，以自 paced 的方式将伪标签与真实类别标签进行对齐。与此同时，一个最终分类器被持续训练，直至收敛，以预测真实标签。在CIFAR-100数据集上，LiDAM取得了当前最优的性能表现，在仅使用2500个标注样本的情况下，准确率达到了73.50%，显著优于FixMatch方法的71.82%。