半监督-SelfMatch-论文阅读笔记

阅读背景

SimCLR在2020年2月第一次挂在arxiv上，被ICML 2020接收

FixMatch在2020年1月第一次挂在arxiv上，被NIPS 2020接收

---

概括总结

SelfMatch方法和 FixMatch 都是NIPS 2020的文章，前者是work shop，后者是conference。

• 核心方法，是将自监督的contrastive learning 和 半监督的 consistency regularization 结合，具体是SimCLR+FixMatch 的流程：首先在unlabel data上进行SimCLR的自监督预训练，再在label data 和unlabel data 上进行FixMatch 的FT训练。
• 效果上，加上SimCLR 预训练，对FixMatch 会有不同程度的提升作用，当label data数据量较少时，提升作用较明显。同时作者发现加上SimCLR 预训练，会让模型更快地得到较好的结果。

• 整体评价：
  • 方法的创新度不是很够，相当于给FixMatch换上了一个自监督训的预训练weight，SimCLR后新出现的很多自监督weight，以及最近新提出的效果很好的transformer，都可以这样试着用一下；
  • 此外，根据作者实验结果，本文方法在label data数据量较少时，更换预训练weight对FixMatch的提升作用是挺大的，当label data数量增大时，这样的提升效果就不那么显著了；
  • 还有很重要的一点，本文关于contrastive learning 和 consistency regularization 为什么结合后会有更好的效果，作者只是猜测说这两个方向是互补的，缺乏足够的理论解释；
  • 不过本文也提出了一个比较好的尝试方向，那就是给consistency regularization 更换好的预训练weight，这是可以尝试的

---

阅读过程记录

-----预习提问----

1. contrastive 和 consistency两个方向的联系？

2. SelfMatch 为什么会比 S4L 好？方法异同在哪里？都是用到了自监督预训练weight

3. p-label方法，为了避免 over-fitting and noisy labels 问题，都进行了哪些改进？

4. conss方向，引入的p-label，都在哪些方法中有体现？

5. linear evaluation protocol on ImageNet，是在所有训练集上训的吗？

----粗读：总结结论----

1. SelfMatch 方法的核心是将自监督的contrastive learning 和 半监督的 consistency regularization 结合，具体：

• • 结合方式：自监督的contrastive pre-train + 半监督 consistency FT

• • 具体采用方法：contrastive 部分用的 SimCLR , consistency 部分用的 FixMatch

2. 作者提到说selfmatch，不仅能达到更高的acc, 而且整个算法可以更快达到较好效果，原因猜测是说 contrastive 和 consistency 这两个part 是互补的（complementary）

3. 本文detribution（整体来看创新点不多）：

• • 提出SelfMatch，将contrastive learning 和 半监督的 consistency regularization 结合
  • SelfMatch效果不错

4. related works：

• • 关于p-label：原始的p-label方法 suffers from the over-fitting and noisy labels
  • 关于consistency：原始方法是进行stochastic transformation function并计算L2距离，一些新方法引入了p-label 和更advanced 的数据增强方法

----精读：要点记录----

关于consistency和contrastive两部分的关系

1. 作者认为这两部分是互补的，整理在表格中：

• • 前者是最大化互信息，后者是最小化差异
  • data aug方面，前者对称的，后者是不对称的

关于SelfMatch 和 S4L 的对比

1. 两个方法，整体来说整体思路都是自监督初始化+半监督FT，具体实操上各部分的target不同。异同点总结如下：

相同点：

• 方法结构一样：都包含了自监督pre-train + 半监督FT 这样的结构
• 半监督FT都包含了consistency regularization 过程

不同点：

• 自监督pre-train 实际 target 不同：
  • S4L用的是pre-text task；
  • SelfMatch是contrastive learning
• 自监督contrastive和半监督conss的结合方式不同：
  • S4L分三步，从第一步开始，自监督contrastive loss和半监督conss的VAT就一起训练了
  • SelfMatch中，先训自监督contrastive，再训半监督conss
• 半监督 consistency 输入部分有细微不同：
  • S4L用的是VAT，目的是维持adversarial consistency；
  • SelfMatch维持的是data augmentation consistency

2. 关于SelfMatch 为什么会比 S4L效果好，作者的解释是：

• • 自监督预训练weight方面：SelfMatch的是 target-agnostic，S4L中的预测rotate勉强算是target-specific的，作者认为前者可以学到更好的特征表示，应用于下游任务中
  • 半监督consistency方面：SelfMatch的是 data augmentation consistency，S4L是adversarial consistency，作者认为前者结构更简单并且优化空间更大

消融实验

• SimCLR \ FixMatch \ 两者结合，在CIFAR-10（4000 label）上的accuracy对比

num of label data	SimCLR	FixMatch	SelfMatch （SimCLR + FixMatch）
250		94.93±0.65	95.13±0.26
4000	91.36	95.74	95.94±0.08
50000	92.69

结论：这样看好像在4000 或者250 label data上，FixMatch 本身效果已经不错了，加上SimCLR提升不大