作者您好，非常感谢你的工作。
您在文中强调，strong augumentation的目的是产生prediction disagreement，但对为什么prediction disagreement能提升性能，没有做太多解释。
不知道我这么理解对不对：与无监督对比学习同理，在strong augmentation下，消除S-T不一致，将迫使Student网络，过滤掉被augmentation破坏的低层信息（如色彩、纹理等），而专注于提取语义信息。
希望作者解答一下，感谢！
BTW，arxiv版论文的公式4、5，theta_s和theta_t似乎是写反了？
作者您好，非常感谢你的工作。
您在文中强调，strong augumentation的目的是产生prediction disagreement，但对为什么prediction disagreement能提升性能，没有做太多解释。
不知道我这么理解对不对：与无监督对比学习同理，在strong augmentation下，消除S-T不一致，将迫使Student网络，过滤掉被augmentation破坏的低层信息（如色彩、纹理等），而专注于提取语义信息。
希望作者解答一下，感谢！
BTW，arxiv版论文的公式4、5，theta_s和theta_t似乎是写反了？