Cos'è la regolarizzazione di coerenza (FixMatch)?

La regolarizzazione della coerenza è un metodo nel campo dell'apprendimento con dati parzialmente etichettati, che presuppone che il modello debba fornire previsioni stabili per diverse variazioni della stessa input. In FixMatch, questo principio viene implementato attraverso l'uso di aumentazioni deboli e forti dei dati: il modello genera pseudo-etichettature sull'aumentazione debole e poi si addestra sull'aumentazione forte, cercando che le previsioni coincidano.

Esempio: per un'immagine, si applica prima un'augmentazione leggera (ad esempio, una piccola variazione di luminosità), il modello predice la classe, e se la fiducia è abbastanza alta, questa previsione viene usata come pseudo-etichetta. Poi, sulla stessa immagine, si applica un'augmentazione forte (ad esempio, ritaglio casuale, rotazione), e il modello si addestra affinché la previsione sull'augmentazione forte corrisponda alla pseudo-etichetta.

Questo aiuta a utilizzare efficacemente i dati non etichettati e migliora la capacità di generalizzazione del modello.