（画像は論文より引用）
CVPR2017で発表された論文の一つ。ミュンヘン工科大学とGoogleの共著。 図にあるように、ラベルあり（A）とラベルなし（B）の画像が含まれるデータセットからCNNを学習する半教師あり学習のフレームワークの提案。
Associationというアイデアを導入。ラベルありの画像のembeddingと、ラベル無しの画像のembeddingを使って、図の赤矢印に示すように遷移後、異なるクラスになるとロスが発生する。
- Walker loss
- embeddingのdot productをsoftmaxとったものを遷移確率と考えて、A→B→Aとround tripした時の確率が以下の一様確率分布になるようにするロス
- あるクラスのサンプルが、遷移して戻ってきた時に同じクラスのサンプルである確率は、1 /（Aの中でそのクラスのサンプルの総数）で、それ以外のクラスの場合は0
- Visit loss
- 全てのラベル無しサンプルに遷移するようにするロス
- 1 / |B| の一様確率分布
- Classification loss
- 分類結果に対するロス
- Walker lossとVisit lossだけでも収束する
MNISTとSVHN （Street View House Number）を使って評価。SVHNでラベルありサンプル500個のときにstate of the art。
