疑似ラベリングの擁護：半教師付き学習のための不確実性を考慮した疑似ラベル選択フレームワーク

最近の半教師あり学習（Semi-Supervised Learning, SSL）に関する研究は、一貫性正則化に基づく手法が主流となっています。これらの手法は強力な性能を達成していますが、ドメイン固有のデータ拡張に大きく依存しており、すべてのデータモダリティに対して生成するのは容易ではありません。疑似ラベリング（Pseudo-labeling, PL）は、この制約を持たない一般的なSSLアプローチですが、元々の形式では相対的に低い性能しか達成できません。我々は、PLが低性能である理由として、精度が悪く調整されていないモデルからの誤った高信頼度予測があると主張します。これらの予測により多くの誤った疑似ラベルが生成され、学習過程にノイズが生じることにつながります。そこで、我々は学習過程におけるノイズ量を大幅に削減することで疑似ラベリングの精度を向上させる不確実性認識型疑似ラベル選択（Uncertainty-aware Pseudo-label Selection, UPS）フレームワークを提案します。さらに、UPSは疑似ラベリングプロセスを一般化し、否定的な疑似ラベルの作成を可能にします。これらの否定的な疑似ラベルは、マルチラベル分類だけでなく否定的学習にも利用でき、シングルラベル分類の改善にも寄与します。CIFAR-10およびCIFAR-100データセットにおいて、我々の方法は最近のSSL手法と比較して強力な性能を達成しました。また、UCF-101ビデオデータセットやPascal VOCマルチラベルデータセットでも本方法の汎用性を示しています。