Diff-SySC：拡散モデルを用いた半教師付き画像分類のためのアプローチ

拡散モデル（Diffusion models）は、複雑で多様なデータ分布を効果的に捉える能力により、生成型機械学習分野を革新してきました。一方、半教師付き学習（semi-supervised learning）は、少量のラベル付きデータを前提として、大量のラベルなしデータから情報を抽出する手法です。これまでに多くの生成型手法が半教師付き学習タスクに用いられてきましたが、拡散モデルをこの文脈に統合したアプローチは依然として限られています。本研究では、最先端の生成型拡散モデルを半教師付き画像分類問題に適応させます。そこで、ラベル生成プロセスを特徴付ける条件付き確率分布を学習するために拡散モデルを活用する、新たな半教師付きpseudo-labelingパイプライン「Diff-SySC」を提案します。実験評価の結果、Diff-SySCは画像分類ベンチマーク上で高いロバスト性を示し、CIFAR-10およびSTL-10では既存手法を上回る性能を達成するとともに、CIFAR-100でも競争力のある結果をもたらしました。全体として、本手法は90.74%のケースで既存の関連研究を上回る性能を示しました。