Краткое содержание

arXiv:2511.12964v1 Тип объявления: новый Аннотация: Полуобучаемые методы (Semi-Supervised Learning — SSL) продемонстрировали высокую производительность в задачах классификации изображений благодаря эффективному использованию как размеченных, так и неразмеченных данных. Однако существующие подходы SSL часто страдают от плохой калибровки моделей, выдающих чрезмерно уверенные предсказания, неверно отражающие реальные вероятности прогноза. Недавно было показано, что нейронные сети, обученные с использованием метода **mixup**, который линейно интерполирует случайные примеры из тренировочного набора, демонстрируют лучшую калибровку в условиях полного надзора. Тем не менее, вопрос калибровки остаётся слабо изученным в полуобучаемых сценариях. Хотя метод случайной интерполяции псевдометок эффективно улучшает калибровку полностью контролируемых моделей, применение такого подхода в SSL затруднено из-за излишней уверенности и ненадёжности самих псевдометок. В данной работе мы представляем подход CalibrateMix, основанный на целенаправленном применении метода mixup, целью которого является улучшение калибровки моделей SSL, одновременно поддерживая или даже улучшая точность классификаций. Наш метод основывается...