지상 진실 주석 없이 여러 분류기를 훈련시켜 더 나은 예측 라벨 세트를 생성하는 의미 있는 크라우드 소싱을 수행할 수 있을까요? 본 논문에서는 대조 학습 목표를 수정하여 자동으로 자기 보완 앙상블(self-complementing ensemble)을 훈련시키고 CIFAR10 및 CIFAR100-20 작업에서 최신 예측(state-of-the-art prediction)을 생성하는 방법을 제시합니다. 본 논문은 단일 비지도 분류 파이프라인을 수정하여 다양한 결정 경계(decision boundaries)를 가진 신경망 앙상블을 자동으로 생성하고, 이를 통해 클래스의 더 광범위한 특징 집합을 학습하는 간단한 방법을 소개합니다.손실 함수 엔트로피 정규화(Loss Function Entropy Regularization, LFER)는 사전 훈련 및 대조 학습 손실 함수에 추가되는 정규화 항입니다. LFER는 비지도 학습의 출력 공간의 엔트로피 상태를 수정하여 신경망의 결정 경계 잠재 표현(latent representation of decision boundaries)을 다양화하는 도구입니다. LFER로 훈련된 앙상블은 결정 경계 근처의 샘플에 대해 더 높은 성공적인 예측 정확도를 보입니다. LFER는 결정 경계를 교란(perturb)하기 위한 적절한 도구이며, 대조 학습 단계에서 최신 기술(state-of-the-art)을 능가하는 분류기를 생성하였습니다.실험 결과, LFER는 최신 기술과 유사한 정확도를 가지면서도 다양한 잠재적 결정 경계(latent decision boundaries)를 가진 앙상블을 생성할 수 있음을 보여주었습니다. 이는 결정 경계 근처의 샘플에 대한 올바른 분류를 촉진하며, 의미 있는 검증(meaningful verification)을 수행할 수 있게 합니다. 우리 방법은 여러 신경망 앙상블에서 단일 샘플의 올바른 예측 확률(probability of correct prediction)을 결합함으로써 노이즈 제거(denoising)와 올바른 특징 매핑(affirming correct feature mappings)을 통해 단일 분류기보다 개선될 수 있습니다.