MutexMatch: Semi-supervised Learning mit mutex-basierter Konsistenzregularisierung

Das zentrale Problem im semi-supervised Learning (SSL) besteht darin, wie unlabeled Daten effektiv genutzt werden können. Während die meisten bestehenden Methoden stark auf die Ausnutzung von hochvertrauenswürdigen Proben setzen, werden niedrigvertrauenswürdige Proben selten vollständig genutzt. In diesem Paper stellen wir eine neuartige Methode zur Nutzung niedrigvertrauenswürdiger Proben vor, die auf unserer vorgeschlagenen Mutex-basierten Konsistenzregularisierung, namens MutexMatch, beruht. Konkret erfordert die Methode, dass hochvertrauenswürdige Proben exakt „was es ist“ durch einen herkömmlichen True-Positive-Klassifikator vorhersagen, während niedrigvertrauenswürdige Proben dazu dienen, ein einfacheres Ziel zu erreichen: „was es nicht ist“ leicht vorherzusagen, mittels eines True-Negative-Klassifikators. Auf diese Weise reduzieren wir nicht nur Fehler bei der Pseudolabeling, sondern nutzen die niedrigvertrauenswürdigen unlabeled Daten vollständig durch die Konsistenz der Dissimilaritätsgrade. MutexMatch erreicht überlegene Ergebnisse auf mehreren Standard-Datensätzen, darunter CIFAR-10, CIFAR-100, SVHN, STL-10, mini-ImageNet und Tiny-ImageNet. Besonders hervorzuheben ist, dass unsere Methode auch bei sehr begrenzten gelabelten Daten überlegen ist, beispielsweise erzielt sie eine Genauigkeit von 92,23 % mit nur 20 gelabelten Daten auf CIFAR-10. Der Quellcode und die Modellgewichte wurden unter https://github.com/NJUyued/MutexMatch4SSL veröffentlicht.