通过判别对抗网络学习用于半监督学习的损失函数
机器学习
2017-07-10 v1
摘要
我们提出判别对抗网络（DAN）用于半监督学习与损失函数学习。我们的DAN方法构建于生成对抗网络（GAN）与条件GAN之上，但关键区别在于使用两个判别器而非一个生成器与一个判别器。DAN可视为一个为预测器学习损失函数的框架，同时也以直接方式实现半监督学习。我们给出了DAN针对两种不同预测任务（分类与排序）的具体实现。在三个不同任务数据集上的实验结果表明，DAN对于半监督学习及预测器损失函数学习均是一个有前景的框架。对于所有任务，DAN的半监督能力能以跨任务微小的架构改动显著提振预测器在小规模标记集上的性能。此外，DAN自动学习的损失函数在半监督与有监督学习中均极具竞争力，通常优于标准的成对与负对数似然损失函数。
引用
@article{arxiv.1707.02198,
title = {Learning Loss Functions for Semi-supervised Learning via Discriminative Adversarial Networks},
author = {Cicero Nogueira dos Santos and Kahini Wadhawan and Bowen Zhou},
journal= {arXiv preprint arXiv:1707.02198},
year = {2017}
}
备注
11 pages