擬似ラベリング（Pseudo-labeling）とは
Pseudo-labeling
ラベルなしデータにモデル自身の予測を仮のラベルとして付与し学習に利用する半教師あり学習手法
概要
擬似ラベリングは、少量のラベル付きデータで学習したモデルを使い、大量のラベルなしデータに対して予測し、その予測結果(確信度の高いもの)を仮の正解ラベル(擬似ラベル)として学習データに加える半教師あり学習の手法。 人手によるアノテーションコストを抑えつつ、大量のラベルなしデータを活用してモデル性能を向上させられる点が利点。 一方で、モデル自身の誤った予測を擬似ラベルとして再学習で使うと、誤りが増幅されやすい。 そのため確信度の閾値設定や一貫性正則化を組み合わせ、信頼性の低い擬似ラベルを除外する。 画像分類・音声認識など、ラベル付けコストが高いタスクで広く利用されている。