약한 증강에서 목표 만들기
레이블 없는 이미지에 약한 증강을 적용하고 모델의 예측을 얻는다. 이 결과를 그대로 모두 쓰지 않고 높은 확신을 보인 경우만 의사 레이블로 유지한다.
강한 증강에서도 같은 답
같은 이미지의 강하게 증강된 형태를 입력했을 때 선택한 의사 레이블을 예측하도록 학습한다. 변형이 달라져도 목표를 유지하게 하는 일관성 학습을 활용한다.
신뢰도의 필터 역할
모든 비주석 예시에 목표를 강제로 부여하지 않는 점이 중요하다. 신뢰도가 높은 예측을 골라 학습 신호로 삼아 일관성 정규화와 레이블 추정을 연결한다.
구성 요소의 분석
논문은 적은 레이블을 사용하는 여러 준지도 학습 벤치마크를 평가했다. 유사한 기법과의 차이를 이해하기 위해 실험 요소를 분리하는 구성 요소 제거 실험도 수행했다.
관련 문서
MixMatch / DivideMix / Co-teaching / Confident Learning / 지도 학습 / 기계 학습