基于良样本与劣样本对抗训练的半监督学习
机器学习
2019-10-22 v1 计算机视觉与模式识别
机器学习
摘要
在本工作中，我们研究利用对抗训练进行图像分类的半监督学习（SSL）。先前的结果表明生成对抗网络（GANs）可用于多种目的。Triple-GAN 通过引入三个参与者联合优化模型组件，生成合适的图像-标签对以弥补 SSL 中标注数据的不足，并提升了基准性能。相反，Bad（或互补）GAN 优化生成以产生互补的数据-标签对，并迫使分类器的决策边界位于数据流形之间。尽管它通常优于 Triple-GAN，但 Bad GAN 对用于训练的标注数据量高度敏感。我们统一了这两种方法，提出了 unified-GAN（UGAN），这是一种新颖的框架，使分类器能够通过对抗训练同时从良样本和劣样本中学习。我们在多个数据集上进行了大量实验，并证明 UGAN：1）在其他深度生成模型中达到了最先进的性能；2）对训练所用标注数据量的变化具有鲁棒性。
引用
@article{arxiv.1910.08540,
title = {Semi-supervised Learning using Adversarial Training with Good and Bad Samples},
author = {Wenyuan Li and Zichen Wang and Yuguang Yue and Jiayun Li and William Speier and Mingyuan Zhou and Corey W. Arnold},
journal= {arXiv preprint arXiv:1910.08540},
year = {2019}
}