서로 발전하는 두 표현
하나의 학습 자료에 대해 클래스 확률과 저차원 임베딩을 동시에 학습한다. 두 표현을 별개로 처리하지 않고 상호 작용하게 해 표지가 부족한 조건에서 무표지 자료를 활용한다.
의사 표지의 개선
임베딩은 클래스 확률에 매끄러움 제약을 주어 의사 표지를 개선한다. 반대로 의사 표지는 그래프 기반 대조 학습을 통해 임베딩의 구조를 정규화한다.
표지 부족 조건의 평가
원 연구는 표지가 적은 CIFAR-10과 STL-10 및 일부 표지만 사용하는 ImageNet에서 방법을 평가했다. 다른 과제로 옮겨 사용하는 표현 학습 성능도 조사했다.