본 논문은 자가 지도 학습(SSL)에서 고품질 의사 레이블을 효율적으로 선택하는 새로운 프레임워크인 자가 학습과 자가 적응 임계값(SST)을 제안합니다. 기존 SSL 방법들이 고정된 임계값이나 반복적인 임계값 업데이트에 의존하여 시간이 오래 걸리고 계산 비용이 많이 드는 문제점을 해결하기 위해, SST는 모델의 학습 진행 상황에 따라 클래스별 임계값을 적응적으로 조정하는 자가 적응 임계값(SAT) 메커니즘을 도입했습니다. SAT는 고품질 의사 레이블 데이터를 선택하여 부정확한 의사 레이블과 확인 편향의 위험을 완화합니다. 다양한 아키텍처와 데이터셋에 대한 광범위한 실험을 통해 SST가 최첨단 성능과 뛰어난 효율성, 일반화 성능 및 확장성을 달성함을 보여줍니다. 특히 Semi-SST-ViT-Huge는 ImageNet-1K SSL 벤치마크에서 1%/10%의 레이블 데이터를 사용하여 80.7%/84.9%의 Top-1 정확도를 달성하여 기존 최고 성능을 뛰어넘었습니다.