对抗式数据编程：利用 GAN 缓解精选标注数据的瓶颈
计算机视觉与模式识别
2018-03-15 v1
摘要
每个感兴趣领域缺乏经过精选的人工标注训练数据，构成了在计算机视觉及其他领域部署机器学习模型的主要瓶颈。最近的工作（数据编程）展示了如何使用标记函数形式的远程监督信号，在近乎常数的时间内获取给定数据的标签。在本工作中，我们提出了对抗式数据编程（ADP），它提出了一种对抗方法，在给定一组弱标记函数的情况下，生成数据以及精选的聚合标签。我们在 MNIST、Fashion MNIST、CIFAR 10 和 SVHN 数据集上验证了我们的方法，其性能优于许多 SOTA 模型。我们进行了广泛的实验以研究其有用性，并展示了所提出的 ADP 框架如何用于迁移学习以及多任务学习，其中使用该框架连同标签信息同时生成来自两个领域的数据。我们未来的工作将涉及从博弈论角度理解这一新框架的理论含义，以及探索该方法在更复杂数据集上的性能。
引用
@article{arxiv.1803.05137,
title = {Adversarial Data Programming: Using GANs to Relax the Bottleneck of Curated Labeled Data},
author = {Arghya Pal and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:1803.05137},
year = {2018}
}
备注
CVPR 2018 main conference paper