Qu'est-ce que la régularisation de cohérence (FixMatch) ?

La régularisation de cohérence est une méthode dans le domaine de l'apprentissage avec des données partiellement étiquetées, qui suppose que le modèle doit produire des prédictions stables pour différentes variations d'une même entrée. Dans FixMatch, ce principe est réalisé en utilisant des augmentations faibles et fortes des données : le modèle génère des pseudo-étiquettes sur une augmentation faible, puis s'entraîne sur une augmentation forte, en visant à ce que les prédictions correspondent.

Exemple : pour une image, une augmentation légère (par exemple, un léger changement de luminosité) est appliquée en premier, le modèle prédit la classe, et si la confiance est suffisamment élevée, cette prédiction est utilisée comme pseudo-étiquette. Ensuite, la même image subit une augmentation forte (par exemple, un recadrage aléatoire, une rotation), et le modèle s'entraîne pour que la prédiction sur l'augmentation forte corresponde à la pseudo-étiquette.

Cela aide à utiliser efficacement les données non étiquetées et améliore la capacité de généralisation du modèle.