Core Concepts
エネルギーベースモデルと分類器を共同学習することで、信頼度の高い擬似ラベルを生成し、限られたラベル付きデータでも高精度な分類を実現する。
Abstract
本研究では、エネルギーベースモデル(EBM)を用いた擬似ラベル学習(EBPL)を提案している。EBPLでは、NN分類器とEBMを共同学習することで、入力データ分布の推定と分類境界の学習を同時に行う。これにより、分類の確信度が適切に校正され、擬似ラベルの精度が向上する。
実験では、CIFAR-10、SVHN、Fashion-MNISTなどのデータセットを用いて、EBPLが既存の擬似ラベル学習手法に比べて高い分類精度と良好な確信度校正を実現することを示した。特に、極端に少数のラベル付きデータしか利用できない場合でも、EBPLの優位性が確認された。
また、擬似ラベル付与の各ステップにおいて、EBPLが既存手法よりも高精度な擬似ラベルを生成できることを確認した。これは、EBMによる入力データ分布の推定が、適切な確信度に基づいた擬似ラベル付与に寄与したためと考えられる。
Stats
限られたラベル付きデータ(約1%)でも高精度な分類が可能
擬似ラベル付与の各ステップでEBPLが高精度な擬似ラベルを生成できる
Quotes
"エネルギーベースモデル(EBM)を用いた擬似ラベル学習(EBPL)を提案している。"
"EBPLでは、NN分類器とEBMを共同学習することで、入力データ分布の推定と分類境界の学習を同時に行う。"
"EBPLが既存の擬似ラベル学習手法に比べて高い分類精度と良好な確信度校正を実現する。"