LaplaceNet：深層半教師あり分類のためのハイブリッドグラフ-エネルギーニューラルネットワーク

近年、ラベル付きデータの大量収集がしばしば高コストであり、専門知識を要し、時間も要するため、その必要性を軽減できる半教師付き学習（semi-supervised learning）が注目を集めている。深層半教師付き分類の分野では、近年、従来にない高い性能が達成され、教師あり学習と半教師付き学習の性能差はますます縮小している。このような性能向上は、多数の技術的工夫、強力なデータ拡張手法、および多項式損失関数を用いた高コストな最適化スキームに依拠している。本研究では、モデルの複雑性を大幅に低減した新たな枠組みLaplaceNetを提案する。本手法は、グラフ上のラプラシアンエネルギーを最小化することにより擬似ラベル（pseudolabels）を生成するハイブリッドアプローチを採用しており、その擬似ラベルを用いてニューラルネットワークのバックボーンを反復的に学習させる。提案手法は、複数のベンチマークデータセットにおいて、現在の最先端手法を上回る性能を達成した。さらに、強力なデータ拡張をニューラルネットワークに適用する際の理論的考察を行い、半教師付き学習における多サンプリング（multi-sampling）アプローチの有効性を正当化した。厳密な実験を通じて、多サンプリングによるデータ拡張が一般化性能を向上させ、ネットワークの拡張手法に対する感度を低減することを実証した。