CoDiM：対照的半教師付き学習を用いたノイズのあるラベルでの学習

ラベルの付与は費用が高く、場合によっては信頼性に欠けることがある。ノイズのあるラベル学習、半教師あり学習、対照学習は、アノテーションコストを抑える学習プロセス設計のための3つの異なるアプローチである。近年、半教師あり学習および対照学習は、ラベルにノイズが含まれるデータセットに対処する学習戦略の向上に寄与することが実証されている。しかし、これらの分野間の内在的な関係性、さらにはそれらの強みを統合する可能性については、まだ初期段階に留まっている。本論文では、これらを統合するさらなる方法と利点を検討する。具体的には、統一的な対照的半教師あり学習アルゴリズムであるCSSL（Contrastive Semi-Supervised Learning）を提案し、ノイズラベルの多様な種類およびレベルから堅牢に学習可能な新規アルゴリズムCoDiM（Contrastive DivideMix）を導入する。CSSLは従来の半教師あり学習および対照学習の技術力を活用し、さらにCoDiMに適応され、さまざまなノイズ環境下でも高精度な学習を実現する。実験の結果、CoDiMは複数のベンチマークにおいて一貫した性能向上を示し、最先端の結果を達成した。