연구진은 제한된 레이블 데이터와 알려지지 않은 분포의 비레이블 데이터를 다루는 범용 준지도 학습(UniSSL) 문제를 정의하고, 이를 해결하기 위한 새로운 방법론인 SAGE를 제안했습니다.
SAGE는 표본 간의 관계를 활용하여 표현 수준의 구조적 추론을 수행하고, 표현 혼란을 줄이기 위해 시플렉스 등각 타이트 프레임을 활용하여 클래스 간 표현 분리를 유도합니다.
5개의 표준 벤치마크에서 SAGE는 기존 최고 성능 모델보다 평균 8.52%의 정확도 향상을 보였습니다.