MixMatch半监督学习论文分析【终于说清楚了系列1】

MixMatch: A Holistic Approach to Semi-Supervised Learning.

文章发表于NeurIPS 2019

半监督方法的目是充分利用少量的有标数据以及大量的无标数据。
为了充分利用有标数据，通常会对有标数据进行增强
为了充分利用无标数据，会通过一种方法给无标数据打上人工标签，然后就可以像有标数据一样利用起来
MixMatch的主要步骤如下：

image.png

1.对有标数据进行增强
2.给无标数据一个人工标签。通过对一个无标数据增强K次并输入模型得到预测结果，对K次结果进行平均并锐化（Sharpen），得到人工标签。值得注意的是，这里的标签并不是one-hot的，而是一个概率分布。
3.将增强后有标数据和K个打上人工标签的无标数据都当做是有标数据，正常进行Mixup操作。

由此可见，该方法一致性正则 和 熵最小正则（smoothness/cluster assumption）的应用。
一致性正则体现在将一个无标数据增强K次后打上同样的label
熵最小正则体现在给无标数据一个人工标签的过程

实验

image.png

image.png

代码：https://github.com/google-research/mixmatch