InterLUDE: Interactions between Labeled and Unlabeled Data to Enhance Semi-Supervised Learning

半监督学习（SSL）通过对标记和未标记数据进行训练来提高任务性能。主流的SSL图像分类方法主要优化一个损失函数，该函数将监督分类目标和仅从未标记数据派生的正则化项相加。这种形式忽略了标记和未标记图像之间相互作用的潜力。本文介绍了InterLUDE，一种新的增强SSL的方法，由两部分组成，每个部分都从标记和未标记的交互中受益。第一部分是嵌入融合，插值标记和未标记嵌入以改进表示学习。第二部分是一种新的损失，基于一致性正则化原则，旨在最小化模型在标记和未标记输入之间的预测差异。在标准的封闭式SSL基准测试和一个未筛选的未标记集的医学SSL任务上的实验表明，我们的方法具有明显的优势。在仅有40个标签的STL-10数据集上，InterLUDE实现了3.2％的错误率，而最佳先前方法报告了14.9％。

论文旨在通过使用标记和未标记的数据进行训练，提高任务性能。具体而言，论文试图解决标记和未标记图像之间潜在交互被忽视的问题。

论文提出了一种新方法InterLUDE，由两部分组成。第一部分是嵌入融合，通过插值融合标记和未标记的嵌入来改善表示学习。第二部分是一种新的损失函数，基于一致性正则化原则，旨在最小化模型在标记和未标记输入之间预测的差异。

论文在标准的闭集SSL基准测试和医学SSL任务上进行了实验，证明了InterLUDE方法的明显优势。在仅有40个标签的STL-10数据集上，InterLUDE实现了3.2％的错误率，而最好的先前方法报告了14.9％。值得注意的是，论文提出的方法不需要对未标记数据进行筛选或人工标记。

与此相关的最新研究包括MixMatch、FixMatch、ReMixMatch等。