준지도학습(SSL)은 표기된 데이터가 부족할 때 표기되지 않은 데이터를 활용하는 유망한 방법으로 입증되었지만, 기존의 SSL 알고리즘은 대체로 학습 시의 클래스 분포가 균형을 이룬다고 가정한다. 그러나 불균형한 클래스 분포에서 학습된 이러한 SSL 알고리즘은, 다수 클래스에 편향된 표기되지 않은 데이터의 가짜 라벨(pseudo-label)을 활용하기 때문에, 균형 잡힌 테스트 기준으로 일반화할 때 심각한 성능 저하를 겪을 수 있다. 이 문제를 완화하기 위해, 우리는 편향된 모델이 생성한 가짜 라벨을 부드럽게 정제(refine)하기 위한 볼록 최적화 문제를 구성하고, 이를 증명 가능하고 효율적으로 해결하는 단순한 알고리즘인 가짜 라벨의 분포 정렬 정제(Distribution Aligning Refinery of Pseudo-label, DARP)를 개발한다. 다양한 클래스 불균형 준지도학습 시나리오에서, 우리는 DARP의 효과성과 최신 수준의 SSL 기법들과의 호환성을 입증한다.

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