1. 研究背景与核心贡献
这篇发表于TPAMI 2025的论文由武汉大学与澳门大学联合团队完成,提出了一种名为PL-CS(Pseudo-Labeling with Clustering-friendly and Semantic-aware features)的新型无监督元学习方法。在当前机器学习领域,传统元学习严重依赖大量标注数据进行训练,而该研究首次实现了无监督元学习性能超越有监督SOTA的突破。
核心创新点在于同时解决了无监督学习中的两个关键难题:
- 通过聚类友好特征学习(Clustering-friendly features)构建更易分离的特征空间
- 结合语义感知伪标签(Semantic-aware pseudo labels)提供可靠的监督信号
研究团队在miniImageNet、tieredImageNet等标准元学习基准测试中,使用纯无监督训练数据的情况下,分类准确率比有监督方法平均提升2.3-4.7个百分点,这一结果颠覆了"无监督学习性能必然低于有监督学习"的传统认知。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 方法框架与技术解析
2.1 整体架构设计
PL-CS采用双分支协同训练框架:
- 聚类分支(Clustering Branch):通过改进的深度聚类损失学习判别性特征
- 伪标签分支(Pseudo-labeling Branch):基于特征相似性生成可靠伪标签
两分支通过以下机制形成闭环:
python复制for epoch in training:
# 更新聚类分支
features = clustering_backbone(images)
cluster_loss = improved_deep_cluster_loss(features)
# 生成伪标签
pseudo_labels = semantic_aware_labeling(features)
# 更新伪标签分支
pl_loss = cross_entropy(classifier(features), pseudo_labels)
# 联合优化
total_loss = cluster_loss + λ * pl_loss
update_network(t
