FlexMatch

FlexMatch — алгоритм полуконтролируемого обучения, который адаптирует порог уверенности для каждого класса. Вместо единого требования «модель должна быть уверена на 95%» он снижает порог для сложных классов и оставляет высоким для хорошо изученных. Это решает главную проблему: нехватку размеченных данных.

Во многих задачах размечено мало примеров, а неразмеченных — огромная масса. Разметка вручную дорога, поэтому модель пытается учиться на собственных предсказаниях — это псевдо-маркировка. Но предсказания бывают ошибочными. Классический фильтр — фиксированный порог уверенности — слишком груб: лёгкие классы быстро становятся уверенными, а редкие или сложные (болезни, необычные объекты) остаются без обучающих сигналов. Низкий порог пускает много мусора.

FlexMatch следит, как часто каждый класс получает уверенные метки. Для «запущенных» классов порог автоматически снижается, для освоенных — остаётся строгим. Получается учебная программа: модель идёт от простого к сложному, не бросая трудные категории.

Пример: распознавание редких видов птиц. Размечено несколько снимков, в базе — миллионы без подписей. Стандартная псевдо-маркировка проигнорирует редкие виды, пока модель не станет в них уверена. FlexMatch позволяет использовать менее уверенные предсказания, чтобы модель начала их различать, а затем постепенно выравнивает порог.

Итог: FlexMatch делает полуконтролируемое обучение честнее к реальным данным, не требует ручной настройки порогов и устойчив к неравномерному распределению классов. Это шаг к тому, чтобы нейросети учились на доступных данных, а не только на идеально размеченных датасетах.