三重生成对抗网络
机器学习
2020-09-15 v2 计算机视觉与模式识别
机器学习
摘要
我们提出一个统一的博弈论框架，在有限监督下进行分类与条件图像生成。该框架被表述为由生成器、分类器和判别器组成的三方极小极大博弈，因此称为三重生成对抗网络（Triple-GAN）。生成器和分类器分别刻画图像与标签之间的条件分布以执行条件生成与分类，判别器则专注于识别虚假的图像-标签对。在非参数假设下，我们证明该博弈的唯一均衡为生成器与分类器刻画的分布式收敛于数据分布。作为三方机制的副产品，Triple-GAN 可灵活集成不同的半监督分类器与 GAN 架构。我们在半监督学习和极端低数据量两种挑战性设定下评估 Triple-GAN。两种设定中，Triple-GAN 均能同时取得优异的分类结果并生成特定类别的有意义样本。特别地，使用常用的 13 层 CNN 分类器，无论是否采用数据增强，Triple-GAN 在超过 10 个基准上均大幅优于众多半监督学习方法。
引用
@article{arxiv.1912.09784,
title = {Triple Generative Adversarial Networks},
author = {Chongxuan Li and Kun Xu and Jiashuo Liu and Jun Zhu and Bo Zhang},
journal= {arXiv preprint arXiv:1912.09784},
year = {2020}
}