ICML 2020投稿中，周志华教授组发表的一篇有关深度半监督学习的论文引发热议。
这篇论文主要介绍了一种叫做DS3L的深度半监督学习模型，以减轻无标签数据集中模型性能下降的问题。
为什么要研究这个新的方法？
在完全监督学习中，深度学习网络的表现是富有竞争力的，甚至有些场景比人类表现的好。这些场景，一般都是在有一个大量的有标签的数据集的前提下。
但是，许多实际应用中，标记数据集是很困难的，因为要耗费很大的人力和财力，这限制了深度学习网络的更广阔的发展。深度半监督学习就是为了解决这个问题。
深度半监督学习是面向的一系列的价格低廉的无标签的数据，帮助深度神经网络减少对标记数据集的需求以改善表现。深度半监督学习在监督学习模型中的表现很好，通过探索无标签数据集的结构（如熵最小化、一致性正规化、对抗训练等）来减少数据集的费用。
但是，上述的所有结果都基于一个乐观的假设：有标签的数据和无标签的数据来自相同的分布。这种假设在实际应用中很难实现，同时通常的应用中，无标签数据集中会有一些有标签数据集中不包含的类别。例如，根据关键词从网络抓取的无标签网页，通常包含很多之前没有涉及的类别。
这里有一个关于图形分类的例子，可以看到无标签数据集包含的类别更多。
面对这种情况时，深度半监督模型的表现不再优异，甚至会出现性能大幅度下降的情况。甚至，深度半监督模型的表现甚至不如一个简单监督学习模型。这种现象与深度半监督模型的初衷背道而驰。
DS3L：一个高效安全的深度半监督学习模型
这篇论文介绍了一个简单有效安全的方法：DS3L（Deep Safe Semi-Supervised Learning）。不像其他深度半监督学习模型，DS3L并不是利用所有的无标签数据集，而是有选择的并且跟踪监督学习模型的影响来避免「性能灾难」。
具体有两个方面：
1）弱化了在无标签数据集中的未见类别，提高分布匹配，保持较强的泛化能力。
2）加强有标签数据，避免性能减弱。
综上所述，我们采用了高效算法的双层优化。在评估中，DS3L在理论和实践中都表现出色。
DS3L的表现总是比有标签数据集的表现好，泛化在
实践方面，在基准测试数据实验中，在40%的未见类无标签数据中，现有的深度半监督方法不如监督学习。但是，新方法能在60%以上的未见类无标签数据中实现性能提升。此外，该方法适用于许多深度SSL算法，并且可以很容易地扩展以处理类分布不匹配的情况。
DS3L的框架结构
对于无标签的数据，DS3L需要进行选择。主要方法是设计一个加权函数w。DS3L试图找到以下函数的最优，以最小化相应的加权风险：
另一方面，DS3L持续跟踪监督的性能，以防性能衰退。具体而言，DS3L要求加权经验风险过程返回的模型，能够实现泛化性能最大化。
在实际情况下，分布是未知的，类似于经验风险最小化。DS3L试图找到最优参数α：
为了简化符号，框架的目标可以表述为一下双层优化问题：
性能测试：类分布不匹配时表现依旧亮眼
实验中所有方法明显优于具有相同类分布的基线监督学习方法。但是，随着类分布不匹配的加剧，现有的深度SSL方法的性能迅速下降。
当40％的无标签实例来自未知的类时，许多深度SSL技术甚至都不如基线监督学习方法，而我们的DS3L在存在超过60％的未知类无标签实例的情况下仍可以保持明显的性能改进，即无标签实例甚至比相关实例更多。这些经验结果与理论分析一致，并证明了DS3L的有效性。
从上图我们可以看到CIFAR-10跟MNIST上的测试结果类似，即DS3L在不同的类分布不匹配率下都能获得令人满意的性能。与许多不具备基线监督学习方法的深度SSL技术相比，该方法具有40％未知类的无标签数据。
DS3L可以通过简单的无监督正则化获得最佳性能，即使类不匹配率超过60％。所有这些结果表明，我们提出的DS3L非常有效地防止了类分布不匹配引起的性能下降。
上面两个图的结果进一步验证了DS3L可以通过各种深度SSL方法达到很好的性能，也就是说，在所有情况下，其性能都优于基准监督学习方法，说明DS3L是非常灵活的。
为了进一步量化DS3L在无标签未知分类数据中的识别能力，在MNIST和CIFAR-10数据集上将我们的方法与概率估计方法进行了比较，与伪标签类似，概率估计方法（Hendrycks＆Gimpel，2017）使用标记数据获取每个无标签数据的类分布，然后通过softmax计算属于已知类的概率，具有低预测概率的示例可以视为未识别出。
通过将未知分类的无标签数据视为否定类别，将其他未知分类的数据视为肯定类别，AUC值可用于衡量识别能力。表1显示了不同类别不匹配率下的实验结果。可以看出，与基于概率的方法相比，DS3L降低了未知分类无标签数据的错误分类率。
