¿Qué es la regularización de consistencia (FixMatch)?

La regularización de consistencia es un método en el campo del aprendizaje con datos parcialmente etiquetados, que implica que el modelo debe proporcionar predicciones estables para diferentes variaciones de la misma entrada. En FixMatch, este principio se implementa mediante el uso de aumentaciones suaves y fuertes de los datos: el modelo genera pseudoetiquetas en la augmentación suave y luego se entrena en la augmentación fuerte, buscando que las predicciones coincidan.

Ejemplo: para una imagen, primero se aplica una augmentación ligera (por ejemplo, un pequeño cambio en el brillo), el modelo predice la clase, y si la confianza es suficientemente alta, esta predicción se usa como pseudoetiqueta. Luego, a la misma imagen se le aplica una augmentación fuerte (por ejemplo, recorte aleatorio, rotación), y el modelo se entrena para que la predicción en la augmentación fuerte coincida con la pseudoetiqueta.

Esto ayuda a utilizar eficazmente los datos no etiquetados y mejora la capacidad de generalización del modelo.