マルチタスクカリキュラム学習によるオープンセット半教師あり認識

摘要

ラベル付きデータが限られている場合に，ラベルなしデータを使ってDNNを学習するために，半教師付 き学習(SSL)が提案されている.既存のSSLは、ラベル付きデータとラベルなしデータが同じクラスに属している ことを前提としている.しかし，ラベルなしデータには分布外(OOD)サンプルと呼ばれる外れ値が含まれないよう にすることは困難で，このようなデータはSSLの精度を損なう.このような問題設定をオープンセット半教師あり学 習と呼ぶ.この問題に対処するため，OODサンプルが含まれるラベルなしデータでSSLを学習するために，マルチ タスクカリキュラム学習を提案する.DNNのパラメーターを学習しながら，OODに属する確率を同時に推定する同 時最適化フレームワークを使用する.この手法はネットワークパラメーターとOODスコアを交互に更新することで 実現される.同時に，カリキュラム学習を使用して，ラベルなしデータに含まれるOODサンプルを除外し，残りの データをラベル付きデータと組み合わせて，DNNを学習し，分布内(ID)サンプルを半教師的に分類する.その結 果，私たちの手法はいくつかの実験においてOODサンプルをうまく排除することにより高い認識精度を達成した.