用于半监督学习的切向-法向对抗正则化
机器学习
2019-03-04 v3 计算机视觉与模式识别
机器学习
摘要
与标准监督学习相比，半监督学习的关键困难在于如何充分利用无标签数据。最近提出的一种方法，虚拟对抗训练（VAT），巧妙地在没有标签信息的情况下执行对抗训练，以对分类器施加局部平滑性，这对半监督学习尤其有益。在这项工作中，我们提出切向-法向对抗正则化（TNAR）作为 VAT 的扩展，将数据流形考虑在内。所提出的 TNAR 由两个互补的部分组成：切向对抗正则化（TAR）和法向对抗正则化（NAR）。在 TAR 中，VAT 沿数据流形的切空间施加，旨在强制分类器在流形上的局部不变性；而在 NAR 中，VAT 在垂直于切空间的法空间上执行，意图使分类器对导致观测数据偏离底层数据流形的噪声具有鲁棒性。在人工和实际应用数据集上的实验表明，我们提出的 TAR 和 NAR 相互补充，并联合优于其他用于半监督学习的最先进方法。
引用
@article{arxiv.1808.06088,
title = {Tangent-Normal Adversarial Regularization for Semi-supervised Learning},
author = {Bing Yu and Jingfeng Wu and Jinwen Ma and Zhanxing Zhu},
journal= {arXiv preprint arXiv:1808.06088},
year = {2019}
}
备注
CVPR 2019