半教師あり学習（Semi-supervised Learning, SSL）は、大量のラベルなしデータを活用して限られたラベル付きサンプルを補完することで、モデルの汎化性能を向上させる手法である。しかし、現在の主流のSSL評価プロトコルは、主にコンピュータビジョン（CV）タスクに限定されている。また、従来の研究では深層ニューラルネットワークを再びから訓練するケースが多く、計算コストが高く、環境負荷も大きいという問題がある。こうした課題を解決するため、本研究では、コンピュータビジョン（CV）、自然言語処理（NLP）、音声処理（Audio）の分野から選定した15の多様で挑戦的かつ包括的な分類タスクを基盤に、統一されたSSLベンチマーク（Unified SSL Benchmark, USB）を構築した。本ベンチマークでは、代表的なSSL手法を体系的に評価し、これらの手法を公正に比較できるモジュール化・拡張可能なオープンソースコードベースを公開している。さらに、CVタスクにおける最先端ニューラルモデルの事前学習済みバージョンを提供することで、さらなる微調整にかかるコストを抑えることを実現した。USBにより、複数の分野にまたがる15のタスクに対して、単一のSSLアルゴリズムを低コストで評価することが可能となる。具体的には、1台のNVIDIA V100でFixMatchをUSBの15タスクすべてに評価するには39 GPU日間の計算時間で済む一方、TorchSSLを用いて5つのCVタスク（ImageNetを除く4つのデータセットを含む）に評価するには335 GPU日間（うち279 GPU日間がImageNet以外の4つのCVデータセットに要する）が必要となる。