G2R界：基于GAN合成数据监督学习的泛化界
机器学习
2019-05-30 v1 机器学习
摘要
利用生成对抗网络（GANs）合成的数据（称为GAN合成数据）进行监督学习有两个重要应用。首先，GANs可以生成更多带标签的训练数据，可能有助于提高分类准确率。其次，在因隐私和/或安全原因无法将真实数据释放到特定场所之外的场景中，使用GAN合成数据进行训练是一种合理的替代方案。本文提出一个泛化界，以保证从GAN合成数据学习的分类器的泛化能力。该泛化界有助于开发者衡量从合成数据学习并在真实数据上测试的泛化差距，从而可提供改进泛化能力的线索。
引用
@article{arxiv.1905.12313,
title = {G2R Bound: A Generalization Bound for Supervised Learning from GAN-Synthetic Data},
author = {Fu-Chieh Chang and Hao-Jen Wang and Chun-Nan Chou and Edward Y. Chang},
journal= {arXiv preprint arXiv:1905.12313},
year = {2019}
}