摘要

近年来，半监督学习（Semi-Supervised Learning, SSL）受到了广泛关注，其核心思想是有效利用未标注数据以降低对标注数据的依赖。本文将神经过程（Neural Processes, NPs）适配至半监督图像分类任务，提出一种新方法——NP-Match。该方法适用于该任务主要基于以下两点原因：首先，NP-Match在进行预测时隐式地对数据点进行比较，使得每个未标注样本的预测结果受到与其相似的已标注样本的影响，从而提升伪标签的质量；其次，NP-Match能够有效估计预测不确定性，该不确定性可作为筛选具有可靠伪标签的未标注样本的工具。相较于采用蒙特卡洛（Monte Carlo, MC）丢弃法实现的基于不确定性的SSL方法，NP-Match在估计不确定性方面具有显著更低的计算开销，可在训练和测试阶段均大幅节省时间。我们在四个公开数据集上进行了大量实验，结果表明，NP-Match在多数情况下超越了当前最先进（State-of-the-Art, SOTA）方法，或取得了具有竞争力的性能表现，充分验证了NP-Match的有效性及其在半监督学习领域的巨大潜力。