최근 준지도 학습의 발전은 현대 머신 러닝 알고리즘의 성공을 위한 주요 장벽인 대량의 인간이 라벨링한 훈련 데이터에 대한 접근성을 극복하는 데 엄청난 잠재력을 보여주었습니다. 일관성 정규화를 기반으로 하는 이전 알고리즘들은 비라벨 데이터의 풍부함을 활용하여 여러 준지도 벤치마크에서 인상적인 결과를 얻었으며, 사용 가능한 라벨 데이터의 일부만으로 강력한 지도 기준선의 성능에 근접했습니다. 본 연구에서는 일관성 정규화의 오랜 성공을 도전하며, 비라벨 데이터에서 의미론적 특징 표현을 결합하기 위한 기반으로 자기지도 정규화(self-supervised regularization)를 소개합니다. SVHN, CIFAR-10, CIFAR-100 벤치마크 데이터셋에서 지도 및 준지도 이미지 분류를 위한 자기지도 정규화의 효과성을 입증하기 위해 광범위한 비교 실험을 수행했습니다. 두 가지 주요 결과를 제시합니다: (1) 자기지도 정규화가 추가된 모델들은 비라벨 데이터가 필요하지 않아도 전통적인 지도 분류기보다 크게 개선되었습니다; (2) 비라벨 데이터와 함께 사용할 때, 우리의 모델들은 이전 최신 일관성 기준선과 경쟁할 수 있으며 많은 경우에서 이를 초월하는 준지도 성능을 보였습니다. 마지막으로, 우리의 모델들은 신경망 훈련에 표준적으로 설정되는 하이퍼파라미터 외에 최적 성능을 위해 조정해야 할 추가적인 하이퍼파라미터가 필요하지 않고 효율적으로 단일 과정(end-to-end)으로 훈련될 수 있는 실용적인 장점을 가지고 있습니다. 참조 코드와 데이터는 https://github.com/vuptran/sesemi 에서 제공됩니다.