不确定性意识的长尾权重模型伪标签在半监督学习中的效用

本研究针对当前半监督学习中伪标签过滤机制的两大缺陷进行了深入探讨：合理阈值设定和深度模型的过度自信现象。我们提出了一种不确定性意识的集成结构（UES），并将伪标签的效用建模为长尾权重，以增强模型的鲁棒性。实验结果表明，所提方法能够在多个数据集上显著提升模型的性能，具有广泛的应用潜力。

本研究分析了半监督学习中伪标签过滤的缺陷，提出了一种不确定性意识的集成结构（UES），通过长尾权重建模伪标签的效用，从而增强模型的鲁棒性。实验结果表明，该方法在多个数据集上显著提升了性能。

不确定性伪标签半监督半监督学习模型鲁棒性集成结构