초록
본 연구에서는 간단하면서도 효과적인 준지도 학습 방법인 Augmented Distribution Alignment(증강 분포 정렬)을 제안합니다. 우리는 준지도 학습에서 라벨이 부착된 샘플의 수가 제한적이라는 이유로 인해 중요한 샘플 편향이 존재함을 밝혔습니다. 이는 종종 라벨이 부착된 데이터와 라벨이 없는 데이터 사이에 상당한 경험적 분포 불일치를 초래합니다. 이를 해결하기 위해, 우리는 라벨이 부착된 데이터와 라벨이 없는 데이터의 경험적 분포를 일치시키는 방법을 제안합니다. 한편으로는 도메인 적응 연구에서 영감을 얻어, 적대적 학습 전략을 채택하여 라벨이 부착된 데이터와 라벨이 없는 데이터 간의 분포 거리를 최소화하고자 합니다. 다른 한편으로는 라벨이 부착된 데이터의 작은 샘플 크기 문제를 해결하기 위해, 가상 훈련 샘플을 생성하는 간단한 보간 전략도 제안합니다. 이 두 가지 전략은 기존의 딥 신경망에 쉽게 구현될 수 있습니다. SVHN 및 CIFAR10 벤치마크 데이터셋에서 제안된 접근법의 효과성을 입증하였습니다. 본 연구의 코드는 \url{https://github.com/qinenergy/adanet}에서 제공됩니다.