TRiCo: Triadisches Game-Theoretic Co-Training revolutioniert semi-supervised Lernen

In einer bahnbrechenden Veröffentlichung präsentiert das Forschungsteam TRiCo, ein neuartiges Triadisches Game-Theoretic Co-Training‑Framework, das die Struktur des semi‑supervised Lernens neu definiert. TRiCo kombiniert einen Lehrer, zwei Schüler und einen adversarialen Generator zu einem einheitlichen Trainingsparadigma, das die Schwächen herkömmlicher Co‑Training‑Ansätze adressiert.

Das Modell setzt auf drei zentrale Rollen: Zwei Schüler‑Klassifikatoren werden mit eingefrorenen, komplementären Repräsentationen trainiert, während ein meta‑lernender Lehrer die Auswahl von Pseudo‑Labels und die Verlustgewichtung dynamisch anpasst. Der Lehrer nutzt Validierungsfeedback, um die Lernstrategie zu optimieren, während ein nicht‑parametrischer Generator gezielt Embeddings perturbiert, um Schwachstellen an den Entscheidungsgrenzen aufzudecken.

Im Gegensatz zu bestehenden Methoden, die Pseudo‑Labels häufig nur auf Konfidenz basieren, wählt TRiCo Labels anhand von Mutual Information aus. Diese robuste Messung der epistemischen Unsicherheit reduziert Fehlklassifikationen und erhöht die Zuverlässigkeit des Lernprozesses. Die Interaktion zwischen Lehrer, Schülern und Generator wird als Stackelberg‑Spiel formalisiert, wobei der Lehrer die führende Rolle übernimmt und die Schüler unter adversarialen Bedingungen folgen.

Extensive Experimente auf CIFAR‑10, SVHN, STL‑10 und ImageNet zeigen, dass TRiCo in niedrigen Label‑Regimen konstant den aktuellen Stand der Technik übertrifft. Das Framework bleibt dabei architekturagnostisch und lässt sich problemlos mit eingefrorenen Vision‑Backbones kombinieren, was es zu einer vielseitigen Lösung für verschiedenste Anwendungsbereiche macht.