基于生成对抗网络的半监督学习：良好 GAN 与不良 GAN 方法的比较
机器学习
2019-05-20 v2 计算机视觉与模式识别
摘要
近来，基于生成对抗网络（GANs）的半监督学习方法受到了广泛关注。其中，两种截然不同的方法在多种基准数据集上取得了有竞争力的结果。Bad GAN 利用分布在输入数据支撑集补集上的非真实样本来学习分类器。相反，Triple GAN 由三方博弈组成，试图利用良好的生成样本来提升分类结果。本文中，我们在不同基准数据集上对这两种方法进行了全面比较。我们展示了它们在图像生成上的不同性质，以及对所给标注数据量的敏感性。通过对这两种方法的全面比较，我们希望为基于 GAN 的半监督学习的未来提供启示。
引用
@article{arxiv.1905.06484,
title = {Semi-supervised learning based on generative adversarial network: a comparison between good GAN and bad GAN approach},
author = {Wenyuan Li and Zichen Wang and Jiayun Li and Jennifer Polson and William Speier and Corey Arnold},
journal= {arXiv preprint arXiv:1905.06484},
year = {2019}
}
备注
This paper appears at CVPR 2019 Weakly Supervised Learning for Real-World Computer Vision Applications (LID) Workshop