준지도학습(SSL)은 라벨이 없는 데이터를 활용하는 유망한 방법으로 입증되었으나, 라벨 데이터가 부족할 때 특히 그러하다. 그럼에도 불구하고 기존의 SSL 알고리즘은 대개 학습 시 클래스 분포가 균형을 이룬다고 가정한다. 그러나 불균형한 클래스 분포에서 학습된 이러한 SSL 알고리즘은 일반적으로 균형 잡힌 테스트 기준으로 일반화할 때 심각하게 성능이 저하될 수 있는데, 이는 라벨이 없는 데이터에 대한 편향된 의사 라벨이 다수 클래스에 치우친 방식으로 활용되기 때문이다. 본 문제를 완화하기 위해, 우리는 편향된 모델이 생성한 의사 라벨을 소프트하게 정제(refine)하기 위한 볼록 최적화 문제를 정식화하고, 이를 증명 가능하고 효율적으로 해결하는 간단한 알고리즘인 의사 라벨의 분포 정렬 정제(Distribution Aligning Refinery of Pseudo-label, DARP)를 개발한다. 다양한 클래스 불균형 준지도학습 시나리오에서 DARP의 효과성과 최신 SSL 기법들과의 호환성을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.