半教師ありきのセマンティックセグメンテーションにおいて、Mean Teacherおよび共学習（co-training）に基づく手法が確認バイアスと結合問題を軽減するために用いられています。しかし、これらの手法は高い性能を持つ一方で、複雑な学習パイプラインや大きな計算負荷を伴うことが多く、方法のスケーラビリティと互換性に制限をもたらしています。本論文では、学習過程で得られる時系列知識の利用を最大化することにより、上記の制約を効果的に軽減するPrevMatchフレームワークを提案します。PrevMatchフレームワークは2つの主要な戦略に依存しています：(1) 時系列知識の使用を見直し、学習中に得られた以前のモデルを使用して追加の疑似ラベルガイド（previous guidance）を生成します。(2) 高度にランダム化されたアンサンブル戦略を設計し、この以前のガイドの効果を最大限に引き出します。4つのベンチマークセマンティックセグメンテーションデータセットでの実験結果は、提案手法が様々な評価プロトコルにおいて既存手法を一貫して上回ることを確認しています。特にDeepLabV3+とResNet-101ネットワーク設定下で、Pascal VOCデータセットにおいて92枚の注釈付き画像のみを使用した場合でも、既存の最先端手法であるDiverse Co-trainingに対して+1.6 mIoUで優れています。さらに、学習速度は2.4倍速くなっています。また、結果はPrevMatchが安定した最適化を誘導し、特にパフォーマンスが低いクラスに利益をもたらすことを示しています。コードはhttps://github.com/wooseok-shin/PrevMatch から入手可能です。以上が翻訳内容です。専門的な表現や技術的な詳細についても適切に対応しましたので、ご確認いただければ幸いです。