Universum GAN：通过矛盾改进GAN
机器学习
2022-09-22 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
标记数据的有限可用性使得任何监督学习问题都具有挑战性。半监督和 universum 学习等替代学习设定缓解了对于标记数据的依赖，但仍需要大量未标记数据，而这些数据可能难以获取或获取成本高昂。基于GAN的数据生成方法近来通过生成合成样本以改善学习而展现出前景。然而，大多数现有基于GAN的方法要么在有限标记数据设定下判别器性能较差，要么生成数据质量低下。本文中，我们提出一种 Universum GAN 博弈，其在有限数据设定下提供改进的判别器准确率，同时生成高质量逼真数据。我们进一步提出一种演化判别器损失，以改善其收敛性与泛化性能。我们推导了理论保证并提供了支持我们方法的经验结果。
引用
@article{arxiv.2106.09946,
title = {Universum GANs: Improving GANs through contradictions},
author = {Sauptik Dhar and Javad Heydari and Samarth Tripathi and Unmesh Kurup and Mohak Shah},
journal= {arXiv preprint arXiv:2106.09946},
year = {2022}
}
备注
Generative Adversarial Networks, Universum Learning, Semi-Supervised Learning, Synthetic Data