DoubleMatch：自己教師学習を用いた半教師付き学習の向上

教師あり学習の成功を受けて、半教師あり学習（Semi-Supervised Learning, SSL）は今、ますます注目を集めている。SSLは、ラベル付き学習データに加えて、大量のラベルなしデータを活用してモデルを学習する手法の総称である。近年の成功したSSL手法の多くは、仮ラベル（pseudo-labeling）アプローチに基づいている。すなわち、モデルの予測確信度が高いものを仮のラベルとして学習に用いる手法である。これらのアプローチは、多くのベンチマークデータセットにおいて顕著な成果を上げているが、その欠点として、訓練過程においてすべてのラベルなしデータが活用されないことがある。本研究では、仮ラベル手法と自己教師学習（self-supervised loss）を組み合わせた新たなSSLアルゴリズム、DoubleMatchを提案する。この手法により、訓練中にすべてのラベルなしデータを有効に活用することが可能となる。実験の結果、複数のベンチマークデータセットにおいて最先端の精度を達成するとともに、既存のSSL手法と比較して訓練時間を短縮することを示した。実装コードは、https://github.com/walline/doublematch にて公開されている。