VCC-INFUSE: 半监督学习中准确高效的未标记样本选择
原文约400字，阅读约需1分钟。发表于：。我们提出了两种方法：Variational Confidence Calibration (VCC) 和 Influence-Function-based Unlabeled Sample Elimination (INFUSE)，VCC 是用 Variational Autoencoder 来选择更准确的伪标签，INFUSE 是一种数据修剪方法，在 SSL 下构建无标签样本的核心数据集。这些方法在多个数据集和设置中都非常有效，可以减少分类错误率并节省训练时间。VCC-INFUSE 在 CIFAR-100 数据集上将 FlexMatch 的错误率降低了 1.08%，同时节省了近一半的训练时间。
本文介绍了Variational Confidence Calibration (VCC)和Influence-Function-based Unlabeled Sample Elimination (INFUSE)两种方法。VCC使用Variational Autoencoder选择更准确的伪标签，INFUSE是一种数据修剪方法，用于构建无标签样本的核心数据集。这些方法在多个数据集和设置中都非常有效，可以减少分类错误率并节省训练时间。在CIFAR-100数据集上，VCC-INFUSE将FlexMatch的错误率降低了1.08%，同时节省了近一半的训练时间。
