이 논문은 장기 미분류 반지도 학습(LTSSL) 문제를 다룹니다. LTSSL에서는 레이블된 데이터의 클래스 분포가 불균형하고, 레이블되지 않은 데이터의 분포가 알려지지 않은 상황입니다. 기존 방법들은 단일 분류기를 사용하여 의사 레이블을 생성하지만, 이는 클래스 분포 변화에 취약합니다.
이 논문에서는 ComPlementary Experts (CPE) 방법을 제안합니다. CPE는 서로 다른 로짓 조정 강도로 훈련된 3개의 전문가를 활용하여 다양한 클래스 분포를 모델링합니다. 이를 통해 각 전문가가 특정 분포에 대해 고품질의 의사 레이블을 생성할 수 있습니다. 또한 클래스별 배치 정규화 메커니즘을 도입하여 특징 분포 불일치 문제를 해결합니다.
실험 결과, CPE는 CIFAR-10-LT, CIFAR-100-LT, STL-10-LT 데이터셋에서 최신 기술 대비 성능 향상을 보였습니다. 예를 들어 CIFAR-10-LT에서 기존 최고 성능 대비 2.22% 향상된 정확도를 달성했습니다.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問