Unser Ansatz Learning to Bootstrap (L2B) ermöglicht es Modellen, sich selbst unter Verwendung ihrer eigenen Vorhersagen zu bootstrappen, ohne nachteilig von fehlerhaften Pseudo-Labels beeinflusst zu werden. L2B erreicht dies, indem es das Gewicht zwischen echten beobachteten und generierten Labels sowie zwischen verschiedenen Samples dynamisch anpasst.
Eine einfache, aber effektive Methode zur Auswahl von Trainingsproben, die eine Aufteilung der Trainingsdaten in einen sauberen und einen verrauschten Datensatz ermöglicht, um verschiedene halbüberwachte Lernverfahren für unterschiedliche Downstream-Aufgaben anzuwenden.