原文：Sohn K, Berthelot D, Carlini N, et al. Fixmatch: Simplifying semi-supervised learning with consistency and confidence[J]. Advances in neural information processing systems, 2020, 33: 596-608.
源码：https://github.com/google-research/fixmatch
半监督学习(SSL)提供了一种利用无标记数据提高模型性能的有效方法。最近，这一领域取得了快速的进展，但代价是需要更复杂的方法。在本文中，我们提出了FixMatch方法，对现有的SSL方法进行了大幅简化。首先，FixMatch对无标记图像的弱增强视图进行预测，生成伪标签，并且只有当模型产生高置信度预测时，才会保留伪标签。然后，FixMatch对同一无标记图像的强增强视图进行预测，并且将预测结果与上述伪标签进行匹配，计算损失，以此来训练模型。FixMatch简单易行，并且在各种半监督学习基准上都达到了最先进的性能。我们进行了广泛的消融研究，以梳理出对FixMatch成功最重要的因素。
图1：FixMatch示意图。首先，将弱增强图像(上)输入模型以获得预测结果，当某一类的预测概率高于阈值(虚线)时，将预测结果转换为one-hot伪标签。然后，利用模型对同一图像的强增强视图进行预测(下)，并且将预测结果与上述伪标签进行匹配，计算交叉熵损失，以此来训练模型。
表1：不同SSL算法的比较。
表2：不同SSL算法在CIFAR-10、CIFAR-100、SVHN和STL-10数据集上的错误率。FixMatch(RA)使用RandAugment数据增强，FixMatch(CTA)使用CTAugment数据增强。
图2：在CIFAR-10数据集上，FixMatch仅用上面10张标记图像就能达到78%的精度。
图3：FixMatch的消融研究结果。(a)改变伪标签的置信度阈值对错误率的影响。(b)当置信度阈值τ分别为0、0.8、0.95时，观测“sharpening”对错误率的影响。具有默认超参数的FixMatch的错误率用红色虚线表示。
表3：在CIFAR-10数据集上，FixMatch不同数据增强的消融研究结果。
算法1：FixMatch的伪代码。将有标记数据和无标记数据同时输入模型；计算有标记数据的交叉熵损失ls；计算无标记数据的交叉熵损失lu；计算总的损失：ls+λu×lu，并以此来训练模型，其中λu是lu的权重系数。
表4：FixMatch在CIFAR-10、CIFAR-100、SVHN和STL-10数据集上的超参数。
表5：在不同的置信度阈值下，模型训练结束时的mask rate和impurity，以及FixMatch的错误率。
表6：学习率衰减的消融研究结果。
表7：优化器的消融研究结果。
图4：优化器的消融研究结果。(a)改变β值对错误率的影响。(b)当β=0时，改变η值对错误率的影响。
图5：FixMatch的消融研究结果。(a)改变无标记数据的比例μ对错误率的影响。(b)改变权重衰减系数对错误率的影响。具有默认超参数的FixMatch的错误率用红色虚线表示。
图6：每类只有一个标记数据的实验。
表12：RandAugment数据增强策略。
表13：CTAugment数据增强策略。
半监督学习(SSL)最近取得了快速的进展。不幸的是，这种进步的代价是越来越复杂的学习算法，复杂的损失项和许多难以调整的超参数。我们提出了FixMatch，这是一种更简单的SSL算法，可以在许多数据集上获得最先进的结果。在每类只有一个标记数据的情况下，FixMatch依然能够达到惊人的高精度，这在一定程度上弥合了少量标签(low-label)半监督学习和小样本学习之间的差距。FixMatch在标记数据和无标记数据上计算标准交叉熵损失，它的训练目标只需几行代码就能编写出来。由于这种简单性，我们能够彻底研究FixMatch的工作原理。我们发现某些设计选项很重要(而且往往被低估)——最重要的是权重衰减和优化器的选择。总的来说，我们相信这种简单有效的半监督学习算法的存在，将有助于机器学习部署在越来越多的实际应用领域，而这些领域往往存在标注成本高、标签获取难等问题。
多模态人工智能
