结合 GAN 的半监督学习：流形不变性与改进的推断
机器学习
2018-06-13 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
近年来，使用生成对抗网络（GAN）的半监督学习方法展现出了令人鼓舞的实证成功。这些方法大多使用一个共享的判别器/分类器，在区分真实样本和生成样本的同时预测类别标签。受 GAN 生成器能够很好地捕捉数据流形这一能力的启发，我们提出使用 GAN 估计数据流形的切空间，并利用其将不变性引入分类器。在此过程中，我们对现有的学习逆映射（即编码器）的方法提出了改进，在重建样本与输入样本的语义相似性方面有了大幅提升。我们观察到，在半监督学习中相较于基线方法取得了显著的实证提升，特别是在带标签样本数量较少的情况下。我们还深入探讨了生成样本如何影响半监督学习过程。
引用
@article{arxiv.1705.08850,
title = {Semi-supervised Learning with GANs: Manifold Invariance with Improved Inference},
author = {Abhishek Kumar and Prasanna Sattigeri and P. Thomas Fletcher},
journal= {arXiv preprint arXiv:1705.08850},
year = {2018}
}
备注
NIPS 2017 accepted version, including appendix