OpenLDN: Lernen, neue Klassen für die offene Welt des semi-supervisierten Lernens zu entdecken

Semi-supervised Learning (SSL) ist einer der führenden Ansätze, um die Annotationsschwierigkeiten des überwachten Lernens zu bewältigen. Aktuelle SSL-Methoden können effektiv ein großes Reservoir an nicht annotierten Daten nutzen, um die Leistung zu verbessern, während sie sich auf eine kleine Menge von annotierten Daten stützen. Ein häufiger Grundannahme in den meisten SSL-Methoden ist, dass die annotierten und nicht annotierten Daten aus der gleichen Datenverteilung stammen. Allerdings trifft dies in vielen realen Szenarien selten zu, was ihre Anwendbarkeit einschränkt. In dieser Arbeit versuchen wir stattdessen das anspruchsvolle Problem des offenen Welten-SSL (open-world SSL) zu lösen, das von dieser Annahme abweicht. Im offenen Welten-SSL-Problem besteht das Ziel darin, Stichproben bekannter Klassen zu erkennen und gleichzeitig Stichproben neuer Klassen in den nicht annotierten Daten zu detektieren und zu clustern. Diese Arbeit stellt OpenLDN vor, eine Methode, die einen paarweisen Ähnlichkeitsverlust nutzt, um neue Klassen zu entdecken. Durch die Verwendung einer zweistufigen Optimierungsvorschrift nutzt dieser paarweise Ähnlichkeitsverlust die Informationen im annotierten Datensatz, um Stichproben neuer Klassen implizit zu clustern, während er gleichzeitig Stichproben bekannter Klassen erkennt. Nach der Entdeckung neuer Klassen transformiert OpenLDN das offene Welten-SSL-Problem in ein Standard-SSL-Problem, um zusätzliche Leistungssteigerungen durch bestehende SSL-Methoden zu erreichen. Unsere umfangreichen Experimente zeigen, dass OpenLDN bei mehreren beliebten Klassifikationsbenchmarks den aktuellen Stand der Technik übertreffen kann und dabei ein besseres Genauigkeit/Ausbildungszeit-Kompromiss bietet.