Czym jest regularizacja spójności (FixMatch)?

Regularyzacja spójności to metoda w dziedzinie uczenia się z częściowo oznaczonymi danymi, która zakłada, że model powinien generować stabilne przewidywania dla różnych wariantów tego samego wejścia. W FixMatch ten zasadę realizuje się poprzez użycie słabych i silnych augmentacji danych: model generuje pseudo-etykiety na podstawie słabej augmentacji, a następnie uczy się na silnej augmentacji, dążąc do tego, aby przewidywania się pokrywały.

Przykład: dla obrazu najpierw stosuje się lekką augmentację (np. niewielka zmiana jasności), model przewiduje klasę, a jeśli pewność jest wystarczająco wysoka, ta przewidywanie jest używane jako pseudo-etykieta. Następnie na tym samym obrazie stosuje się silną augmentację (np. losowe przycinanie, obrót), a model jest trenowany tak, aby przewidywania na silnej augmentacji pokrywały się z pseudo-etykietą.

To pomaga efektywnie wykorzystywać dane nieoznakowane i poprawia zdolność generalizacji modelu.