的一部分神经信息处理系统的进展33(NeurIPS 2020)
Kihyuk Sohn、David Berthelot、Nicholas Carlini、Zizhao Zhang、Han Zhang,Colin A.Raffel、Ekin Dogus Cubuk、Alexey Kurakin、Chun-Liang Li
半监督学习(SSL)提供了一种利用未标记数据提高模型性能的有效方法。这一领域最近取得了快速进展,但代价是需要更复杂的方法。在本文中,我们提出了FixMatch,这是一种大大简化了现有SSL方法的算法。FixMatch首先使用模型对弱增强的未标记图像的预测生成伪标签。对于给定的图像,只有当模型产生高置信度预测时,才会保留伪标签。然后对模型进行训练,以便在输入同一图像的增强版本时预测伪标签。尽管它很简单,但我们发现FixMatch在各种标准半监督学习基准测试中实现了最先进的性能,包括CIFAR-10上的94.93%准确率(250个标签)和88.61%准确率(40个标签,每个类只有4个标签)。我们进行了广泛的消融研究,以梳理出对FixMatch成功最重要的实验因素。该代码可在https://github.com/google-research/fixmatch。
在电子程序中更改姓名的请求将被接受,不会提出任何问题。然而,名称更改可能会导致书目跟踪问题。作者被要求仔细考虑这一点,并在要求在电子诉讼中更改姓名之前与合著者进行讨论。
使用“报告问题”链接请求更改名称。