SECOS：オープンワールド半教師あり学習における厳密な分類のためのセマンティック・キャプチャ

Abstract

オープンワールド半教師あり学習（OWSSL）では、モデルは既知クラスと新規クラスの両方を含むラベル付きデータとラベルなしデータから学習します。実際のOWSSL応用では、各サンプルについて候補となるラベル集合の中から最も意味的に関連のあるラベルを直接選択することで、モデルには厳密な分類性能が求められます。既存のOWSSL手法は、新規サンプルが明示的な監督なしで学習されるため、また潜在的な意味情報を抽出するための仕組みを欠くため、この要件を満たせません。その結果、予測ラベルは候補となるテキストラベルに意味的に対応しないものになります。これに対処するために、オープンワールド半教師あり学習のためのSEmantic Capture（SECOS）を提案します。SECOSは、後処理なしで候補集合からテキストラベルを直接予測し、実用的なOWSSLアプリケーションの要件を満たします。SECOSは外部知識を活用して、既知クラスおよび新規クラスの両方に対して、モダリティ間で意味表現を抽出・整合させます。これにより、新規クラスの学習に対して明示的な監督信号を与えます。広範な実験により、既存のOWSSL手法がより寛容な事後対応（post-hoc matching）設定のもとで評価された場合でも、SECOSはそのような補助なしで最大5.4\%上回ることが示され、SECOSの有効性が際立っています。コードは https://github.com/ganchi-huanggua/OSSL-Classification で入手可能です。