ترجمه فارسی مقاله یادگیری مقابله‌ای نیمه‌نظارتی ایمن با استفاده از داده‌های درون‌توزیعی به عنوان نمونه‌های مثبت

چکیده

Semi-supervised learning methods have shown promising results in solving many practical problems when only a few labels are available. The existing methods assume that the class distributions of labeled and unlabeled data are equal; however, their performances are significantly degraded in class distribution mismatch scenarios where out-of-distribution (OOD) data exist in the unlabeled data. Previous safe semi-supervised learning studies have addressed this problem by making OOD data less likely to affect training based on labeled data. However, even if the studies effectively filter out the unnecessary OOD data, they can lose the basic information that all data share regardless of class. To this end, we propose to apply a self-supervised contrastive learning approach to fully exploit a large amount of unlabeled data. We also propose a contrastive loss function with coefficient schedule to aggregate as an anchor the labeled negative examples of the same class into positive examples. To evaluate the performance of the proposed method, we conduct experiments on image classification datasets – CIFAR-10, CIFAR-100, Tiny ImageNet, and CIFAR-100+Tiny ImageNet – under various mismatch ratios. The results show that self-supervised contrastive learning significantly improves classification accuracy. Moreover, aggregating the in-distribution examples produces better representation and consequently further improves classification accuracy.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری نیمه تحت نظارت نتایج امیدوارکننده ای را در حل بسیاری از مشکلات عملی نشان داده اند که فقط چند برچسب در دسترس است.روشهای موجود فرض می کنند که توزیع کلاس داده های دارای برچسب و بدون برچسب برابر است.با این حال ، عملکرد آنها به طور قابل توجهی در سناریوهای عدم تطابق توزیع کلاس که داده های خارج از توزیع (OOD) در داده های بدون برچسب وجود دارد ، تخریب می شود.مطالعات یادگیری نیمه نظارتی ایمن قبلی با ایجاد داده های OOD که کمتر بر آموزش بر اساس داده های دارای برچسب تأثیر می گذارد ، این مشکل را برطرف کرده است.با این حال ، حتی اگر مطالعات به طور موثری داده های غیر ضروری OOD را فیلتر کنند ، می توانند اطلاعات اساسی را که همه داده ها بدون در نظر گرفتن کلاس به اشتراک می گذارند ، از دست بدهند.برای این منظور ، ما پیشنهاد می کنیم یک رویکرد یادگیری متضاد خودکشی خود را برای بهره برداری کامل از مقدار زیادی از داده های بدون برچسب استفاده کنیم.ما همچنین یک عملکرد ضرر متضاد با برنامه ضریب پیشنهاد می کنیم تا به عنوان یک لنگر نمونه های منفی برچسب زده شده از همان کلاس در مثال های مثبت.برای ارزیابی عملکرد روش پیشنهادی ، ما آزمایشاتی را در مجموعه داده های طبقه بندی تصویر-CIFAR-10 ، CIFAR-100 ، TINY IMAGENET و CIFAR-100+Imagenet کوچک انجام می دهیم.نتایج نشان می دهد که یادگیری متضاد خودکشی به طور قابل توجهی دقت طبقه بندی را بهبود می بخشد.علاوه بر این ، جمع کردن نمونه های توزیع در توزیع ، بازنمایی بهتری را ایجاد می کند و در نتیجه دقت طبقه بندی را بهبود می بخشد.