Core Concepts
데이터 증강이 자가지도형상학 학습의 성능을 저하시킬 수 있음을 보여주는 정보 이론적 증거를 통해 새로운 모듈인 CompMod를 제안하고 실험 결과를 통해 효과적임을 입증함.
Abstract
자가지도학습 방법은 의미론적 불변성 개념을 활용하여 데이터 증강 전략을 활용하여 다른 변형에 대해 유사한 표현을 생성함.
CompMod 모듈은 메타 포괄적 규제를 통해 자가지도형상학 학습 모델의 학습을 안내하여 더 포괄적인 특징을 얻도록 함.
실험 결과는 제안된 방법이 분류, 객체 감지 및 인스턴스 분할 작업에서 상당한 개선을 달성함을 보여줌.
Stats
데이터 증강은 자가지도학습 모델이 학습 과정에서 라벨 관련 정보의 일부 손실을 초래할 수 있음.
모델이 일부 라벨 관련 정보를 잃어버리면 하류 작업에서 성능이 저하될 수 있음.
CompMod 모듈은 메타 포괄적 규제를 통해 자가지도학습 방법을 안내하여 포괄적인 특징을 얻도록 함.
Quotes
"Data augmentation in SSL may lead to the lack of task-related information, resulting in a reduction of the model’s performance in downstream tasks."
"Our proposed method utilizes a bi-level optimization mechanism for model optimization during training."