对比学习引领弱标签学习新SOTA，浙大新研究入选ICLR Oral( 三 ) 机器之心专栏作者：王皓波本

【对比学习引领弱标签学习新SOTA，浙大新研究入选ICLR Oral】实验结果
主要结果
在展开理论分析之前，研究者首先看一下PiCO优异的实验效果。首先是在CIFAR-10、CIFAR-100上的结果，其中，表示每个NegativeLabel成为候选标签的概率。

文章图片
如上图， PiCO达到了十分出色的实验结果，在两个数据集、不同程度的歧义下（对应的大小），均取得了SOTA的结果。值得注意的是，之前的工作[5][6]均只探讨了标签量较小的情况（），研究者在CIFAR-100上的结果表明，即使在标签空间较大， PiCO依然具有十分优越良好的性能。最后，值得注意的是，当相对较小的时候， PiCO甚至达到了接近全监督的结果！
表征学习
除此之外，研究者还可视化了不同方法学习到的表征，可以看到Uniform标签导致了模糊的表征， PRODEN方法学习到的簇则存在重叠，无法完全分离。相比之下， PiCO学习的表征更紧凑，更具辨识度。

文章图片
消融实验
最后，研究者展示不同的模块对实验结果的影响，可以看到，标签消歧模块和对比学习模块都会带来非常明显的性能提升，消融其中一个会带来的性能下降。更多的实验结果请详见原论文。