Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Networks

提出了一种简单有效的深神经网络半监督学习方法。基本上，所提出的网络是以有监督的方式训练，同时有标记和无标记的数据。对于未标记的数据，伪标签，只是选取具有最大预测概率的类，就好像它们是真的la-bels一样使用。这实际上相当于熵正则化。它支持类之间的低密度分离，这是半监督学习的一个常见假设。该方法在去除噪声的自动编码和丢失的情况下，优于传统的半监督学习方法，在MNIST-handrit-10位数据集上对非常小的标记数据进行半监督学习

文章目录

• • 核心思想
  • 训练过程
  • 核心公式
  • 结论

核心思想

Pseudo-Label ：伪标签是未标记数据的“假定”目标类，就好像是这些数据的真标签一样。我们只选取对每个未标记样本具有最大预测概率的类，公式如下：

训练过程

We use Pseudo-Label in a fine-tuning phase with Dropout. The pre-trained network is trained in a su- pervised fashion with labeled and unlabeled data si- multaneously. For unlabeled data, Pseudo-Labels re- calculated every weights update are used for the same loss function of supervised learning task.

训练分为两步，第一步用标注好的数据对网络进行正常训练，随后第二步利用带有伪标签的未标注数据进行微调，并且每次训练完成都更新伪标签重新进行训练，直到模型训练完成。

核心公式

其中n分别是标注数据和未标注数据的数量

f是网络的输出，y是样本的label，未标注数据也类似

a(t)是平衡系数，用于平衡标注数据与未标注数据对损失的贡献；为了自适应的对a(t)进行调整，我们在此利用模拟退火算法计算a(t)，公式如下：

其中T1和T2分别表示两个阶段：

当t<T1时，也就是初始阶段，伪标签的元素不参与loss的评估。此时完全通过标注数据对网络进行训练

当t>T2时，也就是微调阶段，伪标签元素通过一个最大的权重af参与模型的训练

当处于中间阶段，也就是T1<=t<=T2时，我们逐渐增大伪标签元素的权重：

  * T2-T1表示微调阶段与初始阶段的“距离”，是个定值
  * t-T1表示当前阶段与初始阶段的“距离”，随着训练过程的进行该值越来越大，当t进行到T2时，该比值为1，表示训练过程进入微调阶段。

每次训练完毕后，都会更新各未标注样本的伪标签，再重新参与新的训练，直到训练过程彻底结束。

结论

该算法通过一个简单的损失函数就能利用数据集中没有标签的数据，而且对原始模型几乎不需要任何修改，也没有增加额外的需要进行训练的参数。据论文所述甚至已经超越当时的SOTA方法，因此是个简单有效的半监督学习策略。