要約
データは豊富であるものの、ラベル付けには費用がかかる。半教師あり学習手法は、少量のラベル付きサンプルと大量のラベルなしデータを組み合わせることで、効率的にモデルを学習する。本稿では、ドメイン適応と自己 paced 学習（self-paced learning）の両方の枠組みに基づいた新規半教師あり学習手法であるLiDAMを提案する。LiDAMは、まず局所的なドメインシフトを実施し、モデルに対するより優れたドメイン不変特徴を抽出することで、より正確なクラスタリングと仮ラベルの生成を実現する。得られた仮ラベルは、高信頼度予測における多数決の一貫性を基にした新しい反復的マッチング手法を用いて、自己 paced なアプローチで真のクラスラベルと整合化される。同時に、収束するまで真のラベルを予測する最終分類器を学習する。LiDAMはCIFAR-100データセットにおいて、2500ラベルを用いた場合、FixMatch（73.50% 対 71.82%）を上回る最先端の性能を達成した。