摘要
近期，半监督学习（Semi-Supervised Learning, SSL）在仅依赖少量标注数据的情况下，有效利用大量未标注数据方面展现出巨大潜力。本文表明，在训练过程中间歇性地完全忽略标签信息，持续整轮（epoch）进行训练，可在小样本场景下显著提升模型性能。具体而言，我们提出一种联合训练双任务的网络架构：主分类任务同时处理未标注数据与标注稀疏的数据，而辅助任务则在无任何标签的前提下，对数据进行聚类。与自监督学习中常见的手工设计预训练任务不同，我们的聚类阶段复用相同的分类网络结构与分类头，旨在缓解主任务的约束，同时在不发生过拟合的前提下，将标签信息有效传播至未标注样本。此外，在无监督学习阶段，我们引入图像旋转分类这一自监督技术，以增强训练的稳定性。实验结果表明，该方法可显著提升多种前沿半监督学习算法的性能，在多个标准半监督基准测试中均取得优异表现，例如在CIFAR-10上达到92.6%的准确率，在SVHN上达到96.9%的准确率，且每类仅使用4个标注样本。在极端低标签场景下（每类仅1、2或3个样本），性能提升尤为显著，并验证了本方法所学习到的特征具有更强的判别能力，能更有效地分离数据分布。