深層ニューラルネットワークは大規模な教師付きデータセットを必要とするが、そのような大規模データを準備するのは困難である。半教師あり学習は少量の教師付きデータと大量の教師なしデータを活用することで、この問題に対処できる。従来の半教師あり学習手法は決定論的なアプローチが主流だが、確率的なモデルを用いることで不確実性の推定が可能となり、実世界アプリケーションにおける安全性を高められる。
本論文は、f-divergence及びα-Rényi divergenceに基づいた新しい経験的リスク関数と正則化手法を提案し、これらを擬似ラベリングと エントロピー最小化といった半教師あり学習のための自己学習手法に適用している。提案手法は、擬似ラベルの誤りに対してより頑健な性能を示す。
ラベル付きデータの取得が困難な無線システムにおいて、クロス予測に基づく推論(PPI)を用いた半教師あり学習が有効な手法となる。PPIは、機械学習モデルによって生成された疑似ラベルのバイアスを補正することで、ラベル付きデータとラベルなしデータの両方を効果的に活用し、従来の教師あり学習や標準的な疑似ラベルを用いた半教師あり学習よりも優れた性能を実現する。