RelationMatch：セミスーパーバイズド学習におけるバッチ内関係のマッチング

半教師あり学習（Semi-supervised Learning, SSL）は、限られたラベル付きデータと豊富なラベルなしデータを活用するための重要なアプローチとして浮上している。これまでの研究において、多くのSSL手法は個々のサンプルに対する異なる増強（augmentation）ビュー間の一貫性を強制する一方で、ミニバッチ内に内在する豊かな関係構造を無視しているという課題がある。本論文では、行列クロスエントロピー（Matrix Cross-Entropy, MCE）損失関数を用いて、ミニバッチ内における関係的一貫性を明示的に強制する新しいSSLフレームワーク、RelationMatchを提案する。提案するMCE損失は、行列解析および情報幾何学の観点から厳密に導出されており、理論的整合性と実用的有効性を両立している。標準ベンチマークにおける広範な実証評価において、STL-10においてFlexMatchに対して15.21%の精度向上を達成するなど、RelationMatchは最先端の性能を大幅に向上させるとともに、SSLにおける関係的ヒントの統合にための原則的基盤を提供することを示した。