要約
教師あり学習（SSL）は、ラベル付きデータが限られている状況下で、ラベルなしデータを活用して強力なモデルを学習する手法として提案されている。従来のSSL手法は、ラベル付きデータとラベルなしデータのサンプルが同一のクラスに属すると仮定しているが、本研究では、ラベルなしデータに分布外（Out-of-Distribution, OOD）のサンプルが含まれるより複雑な新規シナリオである「オープンセットSSL」に着目する。OOD検出器とSSLを別々に学習するのではなく、マルチタスクカリキュラム学習フレームワークを提案する。まず、ラベルなしデータ内のOODサンプルを検出するために、各サンプルがOODに属する確率を推定する。この推定は、ネットワークパラメータとOODスコアを交互に更新する統合最適化フレームワークを用いて実現する。同時に、分布内（In-Distribution, ID）データの分類性能を高めるために、OODスコアが小さいIDサンプルをラベルなしデータから選別し、これらのサンプルをラベル付きデータと併用して、深層ニューラルネットワークを半教師あり学習の枠組みで学習させる。複数の実験を通じて、本手法がOODサンプルの影響を効果的に排除し、最先端の性能を達成することを確認した。