基于生成对抗网络的一致性正则化半监督学习
机器学习
2020-09-16 v2 计算机视觉与模式识别
机器学习
摘要
基于生成对抗网络（GANs）的半监督学习（SSL）方法通过结合大量无标签样本与有限标签样本，被证明能够提升分类性能。然而，其性能仍落后于最先进的非 GAN 类 SSL 方法。我们指出，造成这一现象的主要原因在于同一图像在局部扰动下类别概率预测缺乏一致性。遵循通用文献做法，我们通过标签一致性正则化来解决该问题，即强制输入图像在各种保持语义的扰动下类别概率预测保持不变。本文中，我们将一致性正则化引入原始的 semi-GAN 以弥补这一关键局限。具体而言，我们提出一种新的复合一致性正则化方法，其思想同时利用了局部一致性与插值一致性。我们在 SVHN 和 CIFAR-10 两个 SSL 图像分类基准数据集上验证了方法的有效性。实验表明，这种基于新复合一致性正则化的 semi-GAN 显著提升了性能，并在基于 GAN 的 SSL 方法中取得了新的最先进性能。
引用
@article{arxiv.2007.03844,
title = {Consistency Regularization with Generative Adversarial Networks for Semi-Supervised Learning},
author = {Zexi Chen and Bharathkumar Ramachandra and Ranga Raju Vatsavai},
journal= {arXiv preprint arXiv:2007.03844},
year = {2020}
}
备注
9 pages, 5 figures