近日，实验室2020级硕士生魏琦的一篇论文“Learning Sample-Aware Confidence Threshold for Semi-Supervised Learning”（作者：魏琦，冯磊，孙皓亮，王任，何润东，尹义龙）被Machine Learning Journal (MLJ) 期刊录用。MLJ是机器学习理论与算法顶级期刊，属于CCF B类期刊。

魏琦是2023届硕士毕业生，目前已赴新加坡南洋理工大学攻读博士学位，在校期间主要从事弱监督学习算法研究工作，取得一定进展，以第一作者身份在国内外顶级期刊会议CVPR (CCF-A，模式识别顶级会议）、Machine Learning (CCF-B，机器学习理论与算法顶级期刊)、ECCV (CCF-B，模式识别顶级会议)、《中国科学·信息科学》(中文CCF-A，信息领域中文顶级期刊)发表论文4篇，成果突出，已达到优秀博士毕业生的水平。

基于伪标记的方法是半监督学习(SSL)中的一类主流方法。其性能十分依赖于适当的阈值为未标记的数据生成硬标记。为此，现有研究大多需要先验知识通过人工预先设定函数来调整阈值，且存在可扩展性问题。本文提出一种新的方法Meta-Threshold (Meta-T)，为每个未标记实例学习一个动态置信度阈值，并且除了元网络的学习率外不需要额外的超参数。具体来说，实例级别的置信度阈值由额外的网络以元学习的方式自动学习。将有限的标记数据作为元数据，分类器网络和元网络的整体训练目标可以建模为一个嵌套优化问题，并采用双层优化方案进行求解。此外，通过用代理函数代替伪标记中存在的指示函数，从理论上给出了本文算法训练过程的收敛性。同时，本文讨论了Meta_T训练的复杂度，并提出了一种降低其时间成本的策略。大量的实验和分析证明了该方法在典型和不平衡SSL任务上的有效性。