최근의 준지도 학습(Semi-Supervised Learning, SSL)에 대한 연구들은 큰 성공을 거두었습니다. 그러나 그들의 유망한 성능에도 불구하고, 현재 최신 방법들은 더 많은 네트워크 구성 요소와 추가적인 훈련 절차를 도입하는 대가로 점점 복잡한 설계 방향으로 나아가고 있습니다. 본 논문에서는 기존의 대조적 공동 훈련 준지도 학습 프레임워크의 성능을 향상시키기 위해 주로 학습된 임베딩을 개선하는 간단한 방법인 앙상블 프로젝터 지원 준지도 학습(Ensemble Projectors Aided for Semi-supervised Learning, EPASS)을 제안합니다. 표준 방법과 달리 하나의 프로젝터에서 학습된 임베딩이 메모리 뱅크에 저장되어 대조적 학습에 사용되는 반면, EPASS는 여러 프로젝터에서 얻은 앙상블 임베딩을 메모리 뱅크에 저장합니다. 결과적으로, EPASS는 일반화 능력을 개선하고 특징 표현을 강화하며 성능을 향상시킵니다. 예를 들어, EPASS는 SimMatch에서 100k/1%/10%의 라벨링된 데이터만 사용하여 39.47%/31.39%/24.70%의 top-1 오류율을 개선했습니다. 또한 ImageNet 데이터셋에서 CoMatch에서는 40.24%/32.64%/25.90%의 top-1 오류율을 달성했습니다. 이러한 개선은 방법, 네트워크 아키텍처, 데이터셋에 걸쳐 일관되게 나타나며, 제안된 방법의 일반적인 효과성을 입증합니다. 코드는 https://github.com/beandkay/EPASS에서 확인할 수 있습니다.