본 논문은 기존의 준지도 학습(SSL)에서 신뢰도 기반의 의사 레이블 필터링이 가지는 한계점(적절한 임계값 설정의 어려움, 과신 문제)을 해결하기 위해, 의사 레이블의 유용성을 평가하는 불확실성 인식 앙상블 구조(UES)를 제안합니다. UES는 의사 레이블의 유용성을 긴 꼬리 가중치로 모델링하여 임계값 설정 문제를 해결하고, 신뢰할 수 없는 의사 레이블도 모델의 강건성 향상에 기여하도록 합니다. 경량화되고 아키텍처에 독립적인 UES는 분류 및 회귀를 포함한 다양한 컴퓨터 비전 작업에 쉽게 적용 가능합니다. 실험 결과, DualPose와 결합하여 Sniffing, FLIC, LSP 데이터셋에서 PCK 향상을 보였으며, FixMatch와 결합하여 CIFAR-10 및 CIFAR-100 데이터셋에서 정확도 향상을 달성했습니다.
