对抗置信与平滑正则化用于可扩展无监督判别学习
机器学习
2018-06-05 v1 机器学习
摘要
在本文中，我们从函数观点考虑一个通用的概率判别学习器，并论证要使其学好，有必要将其假设空间约束为非平凡分段常数函数集合。为实现这一目标，我们提出了一个可扩展的无监督正则化框架。在理论方面，我们证明该框架有助于得到一个事实上有置信且平滑的判别模型，并将其与对抗 Taboo 博弈、谱聚类和虚拟对抗训练相联系。在实验上，我们采用深度神经网络作为学习器，并表明当在我们的框架下进行无监督设置训练时，它们不仅取得了最先进的聚类结果，而且在合成和真实数据上均泛化良好。
引用
@article{arxiv.1806.00919,
title = {Adversarial confidence and smoothness regularizations for scalable unsupervised discriminative learning},
author = {Yi-Qing Wang},
journal= {arXiv preprint arXiv:1806.00919},
year = {2018}
}
备注
9 pages