概述
它可以让您从大量未标记的数据中学习，从而大大减少您需要的手动标记示例的数量。
深入探讨
标记数据的成本很高；未标记的数据几乎是免费的。一致性正则化利用了一个简单的假设：如果您稍微调整输入（裁剪、旋转、添加噪声、交换同义词）而不改变其真实含义，则模型的预测不应改变。在训练期间，您通过两个增强路径提供相同的未标记示例，并添加一个损失来惩罚两个输出之间的差异。这将决策边界推入簇之间的低密度区域，因此它不会分割相似点的密集组。 Pi-Model、Temporal Ensembling、Mean Teacher、Virtual Adversarial Training 和 FixMatch 等方法都建立在这个想法的基础上，将标记数据上的小监督损失与其余数据上的无监督一致性损失相结合。
现实世界的实施
FixMatch 通过强制执行从弱到强的增强一致性，每类只需 4 个标记图像即可达到强大的 CIFAR-10 准确性。
医学成像团队根据数千个未标记的扫描以及仅几百个放射科医生标记的病例来训练肿瘤分类器。
语音识别系统通过在添加噪声和速度扰动的音频中强制执行一致的转录来改进方言。
Mean Teacher 通过移动平均“教师”模型为“学生”在未标记图像上生成一致性目标来稳定训练。
半监督学习一致性正则化的未来
一致性正则化现已成为视觉、语音以及越来越多的文本和表格学习的标准，并且它支撑着许多自我监督的预训练方法。期望与基础模型更紧密地集成，它使用少量标签加上大量未标记的语料库来微调大型预训练网络。研究正在降低其对增强选择和置信阈值的敏感性，并将其扩展到嘈杂的现实世界环境中，在这些环境中，标签保留假设有时会被打破。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是半监督学习中的一致性正则化？
当未标记的输入以小的、保留标签的方式受到扰动时，一致性正则化教会模型给出相同的答案。它可以让您从大量未标记的数据中学习，从而大大减少您需要的手动标记示例的数量。
What is the main consistency assumption?
The guide defines consistency around predictions staying stable under small meaning-preserving changes.
How is an unlabeled example used in a basic consistency loss?
The guide describes two augmented paths and a loss on prediction differences.
Which is an example of a label-preserving image perturbation when appropriate?
The guide gives crop and rotation as possible small, meaning-preserving changes.
What does the low-density decision-boundary intuition suggest?
The guide says consistency can push boundaries toward low-density regions.
What is a stop-gradient doing in a teacher-student consistency setup?
The guide describes one branch supplying a target while the other is trained to match it.