摘要

半监督学习（Semi-Supervised Learning, SSL）的核心问题在于如何有效利用未标记数据，而现有大多数方法往往过度关注高置信度样本的利用，却很少充分挖掘低置信度样本的潜力。本文提出一种新颖的方法——基于互斥一致性正则化的MutexMatch，旨在以创新方式利用低置信度样本。具体而言，高置信度样本通过传统的真阳性分类器（True-Positive Classifier）实现精确的“识别其类别”目标；而低置信度样本则被用于一个更简单的任务——通过真阴性分类器（True-Negative Classifier）轻松完成“识别其非类别”（即“它不是什么”）的预测。从这一视角出发，我们不仅有效缓解了伪标签引入的错误，还通过不相似度的一致性机制，充分挖掘了低置信度未标记数据的潜在价值。实验结果表明，MutexMatch在多个基准数据集上均取得了优异性能，涵盖CIFAR-10、CIFAR-100、SVHN、STL-10、mini-ImageNet以及Tiny-ImageNet。尤为重要的是，当标注数据极为稀缺时，该方法依然表现出显著优势，例如在CIFAR-10上仅使用20个标注样本即达到92.23%的准确率。本文代码与模型权重已开源，地址为：https://github.com/NJUyued/MutexMatch4SSL。