Ce este regularizarea consistenței (FixMatch)?

Regularizarea consistenței este o metodă în domeniul învățării cu date parțial etichetate, care presupune că modelul trebuie să ofere predicții stabile pentru diferite variații ale aceleiași intrări. În FixMatch, acest principiu se implementează prin utilizarea augmentărilor slabe și puternice ale datelor: modelul generează pseudo-etichete pe baza augmentărilor slabe și apoi se antrenează pe augmentări puternice, urmărind ca predicțiile să coincidă.

Exemplu: pentru o imagine, mai întâi se aplică o augmentare ușoară (de exemplu, o mică schimbare de luminozitate), modelul prezice clasa, iar dacă încrederea este suficient de mare, această predicție este folosită ca pseudo-etichete. Apoi, aceeași imagine suferă o augmentare puternică (de exemplu, decupare aleatorie, rotire), iar modelul este antrenat pentru ca predicția pe augmentarea puternică să coincidă cu pseudo-eticheta.

Acest lucru ajută la utilizarea eficientă a datelor neetichetate și îmbunătățește capacitatea de generalizare a modelului.