RadialGAN：利用生成对抗网络借助多数据集改进目标特定预测模型
机器学习
2018-06-11 v2 机器学习
摘要
训练复杂的机器学习预测模型通常需要大量并非随时可得的数据。因此，在数据为稀缺的场景中部署时，若要建立良好的预测模型，利用来自相关但不同来源的这些外部数据集是一项重要任务。本文中我们针对该问题提出一种新方法：使用多种 GAN 架构学习从一个数据集到另一个数据集的迁移，从而有效扩充目标数据集，进而比仅使用目标数据集学习到更好的预测模型。我们展示了该方法的有效性，证明相较仅用目标数据集，我们的方法提升了目标域上的预测性能，并且表明我们的框架在多个真实世界医学数据集上优于若干其他基准。
引用
@article{arxiv.1802.06403,
title = {RadialGAN: Leveraging multiple datasets to improve target-specific predictive models using Generative Adversarial Networks},
author = {Jinsung Yoon and James Jordon and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1802.06403},
year = {2018}
}
备注
12 pages, 8 figures, 2018 International Conference of Machine Learning (2018 ICML)