MutexMatch：Mutexベースの整合性正則化を用いた準教師付き学習

半教師あり学習（SSL）における核心的な課題は、ラベルなしデータをいかに効果的に活用するかにある。しかし、現存する多くの手法は、高信頼度のサンプルの利用に重点を置いている一方で、低信頼度のサンプルの活用については十分に検討されていない。本論文では、提案する「MutexMatch」というマテュックスベースの一貫性正則化を用いて、低信頼度サンプルを新たなアプローチで活用することを目指す。具体的には、高信頼度サンプルに対しては従来の真陽性分類器（True-Positive Classifier）により「何であるか」を正確に予測させ、一方で低信頼度サンプルには、より単純な目標として「何でないか」を容易に予測させる真陰性分類器（True-Negative Classifier）を用いる。このアプローチにより、偽ラベル誤りの低減を実現するとともに、非類似度の一貫性を活用して低信頼度のラベルなしデータを効果的に活用することができる。MutexMatchは、CIFAR-10、CIFAR-100、SVHN、STL-10、mini-ImageNet、Tiny-ImageNetといった複数のベンチマークデータセットにおいて優れた性能を達成した。特に注目すべきは、ラベル付きデータが極めて少ない状況下でも優位性を発揮することであり、CIFAR-10においてわずか20枚のラベル付きデータで92.23%の精度を達成した。本研究のコードおよびモデル重みは、https://github.com/NJUyued/MutexMatch4SSL にて公開されている。