要約
最近の最先端的な半教師付き学習（SSL）手法は、画像ベースの変換と一貫性正則化をコア要素として組み合わせている。しかしながら、こうした手法は従来のデータ拡張や2枚の画像の凸結合といった単純な変換に限定されている。本論文では、複雑な変換を多様に生成できる新たな特徴ベースの精緻化および拡張手法を提案する。重要な点として、これらの変換はクラスタリングによって抽出したクラス内およびクラス間のプロトタイプ表現の情報を活用している。また、特徴量は反復計算中に既に算出されており、それをメモリバンクに保存することで、追加の計算コストを大幅に削減できる。これらの変換は従来の画像ベースの拡張と組み合わせられ、一貫性に基づく正則化損失の一部として用いられる。実験の結果、CIFAR-10およびSVHNといった小規模データセットでは最新の手法と同等の性能を達成し、CIFAR-100やmini-Imagenetといった大規模データセットにおいてもスケーラビリティを発揮。特にmini-Imagenetでは、既存の最先端手法に対して絶対値で17.44%の顕著な性能向上を達成した。さらに、DomainNet上でも本手法を検証し、ドメイン外のラベルなしデータに対するより高いロバスト性を示した。最後に、包括的な消去実験および分析を通じて、本手法の有効性を検証した。