HexaGAN：面向真实世界分类的生成对抗网络
机器学习
2019-05-29 v2 机器学习
摘要
大多数深度学习分类研究都假设数据为干净数据。然而，在处理真实世界数据时，我们会遇到三个问题：1）数据缺失，2）类别不平衡，以及3）标签缺失问题。这些问题会损害分类器的性能。已有多种预处理技术被提出以缓解其中之一，但尚无一种算法能同时假设并解决这三个问题。本文中，我们提出HexaGAN，一种生成对抗网络（GAN）框架，对所有三个问题均展现出良好的分类性能。我们从单一视角解释这三个问题以联合求解。为此，该框架由六个相互交互的组件构成。我们还设计了对应于该架构的新损失函数。所设计的损失函数使我们能够实现最先进的填补性能，提升高达14%，并生成高质量的类别条件数据。我们以20%缺失率评估了所提方法的分类性能（F1分数），并确认与最先进方法组合的性能相比提升高达5%。
引用
@article{arxiv.1902.09913,
title = {HexaGAN: Generative Adversarial Nets for Real World Classification},
author = {Uiwon Hwang and Dahuin Jung and Sungroh Yoon},
journal= {arXiv preprint arXiv:1902.09913},
year = {2019}
}
备注
Accepted to ICML 2019