當(dāng)使用監(jiān)督學(xué)習(xí)(Supervised Learning)對(duì)大量高質(zhì)量的標(biāo)記數(shù)據(jù)(Labeled Data)進(jìn)行訓(xùn)練時(shí)，神經(jīng)網(wǎng)絡(luò)模型會(huì)產(chǎn)生有競(jìng)爭(zhēng)力的結(jié)果。例如，根據(jù)Paperswithcode網(wǎng)站統(tǒng)計(jì)，在ImageNet這一百萬(wàn)量級(jí)的數(shù)據(jù)集上，傳統(tǒng)的監(jiān)督學(xué)習(xí)方法可以達(dá)到超過(guò)88%的準(zhǔn)確率。然而，獲取大量有標(biāo)簽的數(shù)據(jù)往往費(fèi)時(shí)費(fèi)力。

為了緩解對(duì)標(biāo)注數(shù)據(jù)的依賴，「半監(jiān)督學(xué)習(xí)」(Semi-supervised Learning/SSL)致力于在僅有「少量」的標(biāo)注數(shù)據(jù)時(shí)利用「大量無(wú)標(biāo)簽」數(shù)據(jù)(Unlabeled Data)來(lái)提升模型的泛化性。半監(jiān)督學(xué)習(xí)亦是機(jī)器學(xué)習(xí)的重要主題之一。深度學(xué)習(xí)之前，這一領(lǐng)域的研究者們提出了諸如半監(jiān)督支持向量機(jī)、熵正則化、協(xié)同訓(xùn)練等經(jīng)典算法。

深度半監(jiān)督學(xué)習(xí)

隨著深度學(xué)習(xí)的興起，「深度」半監(jiān)督學(xué)習(xí)算法也取得了長(zhǎng)足的進(jìn)步。同時(shí)，包括Google、Meta和微軟等在內(nèi)的科技巨頭也認(rèn)識(shí)到了半監(jiān)督學(xué)習(xí)在實(shí)際場(chǎng)景中的巨大潛力。例如，Google利用噪聲學(xué)生訓(xùn)練(Noisy student training)這一半監(jiān)督算法提高了其在搜索方面的性能[1]。當(dāng)前最具代表性的半監(jiān)督算法通常對(duì)標(biāo)注數(shù)據(jù)使用交叉熵?fù)p失進(jìn)行訓(xùn)練，對(duì)無(wú)標(biāo)注數(shù)據(jù)使用「一致性正則」技術(shù)(Consistency Regularization)鼓勵(lì)對(duì)輸入擾動(dòng)進(jìn)行不變預(yù)測(cè)。例如，Google在NeurIPS 2020提出的FixMatch[2]算法利用增強(qiáng)錨定(Augmentation Anchoring)和固定閾值(Fixed Thresholding)技術(shù)來(lái)增強(qiáng)模型對(duì)不同強(qiáng)增強(qiáng)數(shù)據(jù)的泛化性和減少噪聲偽標(biāo)簽(Noisy Pseudo Labels)的影響。在訓(xùn)練中，F(xiàn)ixMatch過(guò)濾了低于用戶指定(user-provided / pre-defined)閾值的無(wú)標(biāo)簽數(shù)據(jù)。

微軟亞洲研究院與東京工業(yè)大學(xué)等在NeurIPS 2021合作提出的FlexMatch[3]則考慮到了「不同類」之間的學(xué)習(xí)難度不同，因此提出了「課程偽標(biāo)簽」(Curriculum Pseudo Labeling)技術(shù)對(duì)于不同類應(yīng)該采用不同的閾值。具體來(lái)說(shuō)，對(duì)于容易學(xué)習(xí)的類別，模型應(yīng)該設(shè)置高閾值以降低噪聲偽標(biāo)簽的影響；對(duì)于難學(xué)習(xí)的類，模型應(yīng)該設(shè)置低閾值鼓勵(lì)該類的擬合。每個(gè)類的學(xué)習(xí)難度評(píng)估取決于落入該類且高于固定值的未標(biāo)記數(shù)據(jù)樣本的數(shù)量。

同時(shí)，研究員和這些學(xué)校還合作提出了一個(gè)統(tǒng)一的基于Pytorch的半監(jiān)督方法代碼庫(kù)「TorchSSL」[4]，對(duì)該領(lǐng)域的深度方法、常用數(shù)據(jù)集、和基準(zhǔn)結(jié)果進(jìn)行了統(tǒng)一的支持。

當(dāng)前「半監(jiān)督學(xué)習(xí)代碼庫(kù)存在的問(wèn)題與挑戰(zhàn)」

盡管半監(jiān)督學(xué)習(xí)的發(fā)展如火如荼，但是，研究員們注意到目前大部分半監(jiān)督論文「只關(guān)注」計(jì)算機(jī)視覺(jué) (CV) 分類任務(wù)，而「其他領(lǐng)域」（例如自然語(yǔ)言處理 (NLP)、音頻處理 (Audio)）研究者無(wú)法得知這些在CV任務(wù)上有效的算法是否依然有效。另外，大部分半監(jiān)督論文都是由谷歌，微軟等大型機(jī)構(gòu)發(fā)表的，學(xué)術(shù)界的實(shí)驗(yàn)室往往由于計(jì)算資源的限制不能一起推動(dòng)半監(jiān)督領(lǐng)域的發(fā)展?？偟膩?lái)說(shuō)，半監(jiān)督學(xué)習(xí)基準(zhǔn)目前存在以下兩個(gè)問(wèn)題：

（1）多樣性不足。現(xiàn)有的半監(jiān)督學(xué)習(xí)基準(zhǔn)大多局限于計(jì)算機(jī)視覺(jué) (CV) 分類任務(wù)（即 CIFAR-10/100，SVHN，STL-10 和 ImageNet 分類），「排除了對(duì)自然語(yǔ)言處理 (NLP)、音頻處理 (Audio) 等分類任務(wù)的一致和多樣化評(píng)估，而在NLP和Audio中缺乏足夠的標(biāo)記數(shù)據(jù)也是一個(gè)普遍問(wèn)題?！?/strong>