摘要

半监督学习近年来受到广泛关注，因其能够缓解对大量标注数据的依赖，而这些数据往往成本高昂、需要专业知识且收集耗时。深度半监督分类领域的最新进展已达到前所未有的性能水平，监督学习与半监督学习之间的性能差距持续缩小。然而，这些性能提升主要依赖于多种技术技巧、强大的数据增强方法以及计算成本高昂的优化策略，通常采用包含多项损失项的复杂损失函数。本文提出一种全新的深度半监督分类框架——LaplaceNet，其模型复杂度显著降低。该方法采用混合策略：通过在图结构上最小化拉普拉斯能量（Laplacian energy）来生成伪标签，随后利用这些伪标签对神经网络主干（backbone）进行迭代训练。实验结果表明，LaplaceNet在多个基准数据集上均优于当前最先进的深度半监督分类方法。此外，本文从理论上探讨了强数据增强技术在神经网络中的应用，并论证了在半监督学习中采用多采样（multi-sampling）增强策略的合理性。通过严谨的实验验证，我们发现多采样增强方法能够有效提升模型的泛化能力，同时降低网络对数据增强方式的敏感性。