NeurIPS 2021 | 助力半监督学习：一种课程伪标签方法FlexMatch和统一开源库TorchSSL

本文介绍一篇最近被机器学习国际权威会议NeurIPS 2021接受的长文：「FlexMatch: Boosting Semi-Supervised Learning with Curriculum Pseudo Labeling」，第一作者为日本东京工业大学的张博闻和王一栋，其他作者来自东京工业大学和微软亚洲研究院。文章针对半监督提出了 「课程伪标签(Curriculum Pseudo Labeling, CPL)」 的方法，其能被简单地应用到多个半监督方法上，且「不会」引入新的超参数和额外的计算开销。多项实验证明，CPL不仅能提升已有方法的精度，也能大幅提升收敛速度（例如，在一些数据集上比Google的FixMatch快5倍）。特别地，文章中将CPL应用在FixMatch后的新算法命名为「FlexMatch」， 并在多个图像分类数据集上取得了state-of-the-art的效果。除此之外，本文还开源了一个统一的基于Pytorch的「半监督方法库TorchSSL」，公平地实现了诸多流行的半监督方法，方便相关领域进行进一步研究。

• 论文标题：FlexMatch: Boosting Semi-Supervised Learning with Curriculum Pseudo Labeling

• 论文地址：https://arxiv.org/abs/2110.08263
• 代码地址：https://github.com/TorchSSL/TorchSSL

内容中包含的图片若涉及版权问题，请及时与我们联系删除