使用类别生成对抗网络的无监督与半监督学习
机器学习
2016-05-03 v2 机器学习
摘要
本文提出一种从无标签或部分标注数据中学习判别式分类器的方法。我们的方法基于一个目标函数，该函数在观测样本与其预测类别分布之间的互信息，以及分类器对对抗生成模型的鲁棒性之间进行权衡。所得算法既可解释为生成对抗网络（GAN）框架的自然推广，也可视为正则化信息最大化（RIM）框架针对最优对手鲁棒分类的扩展。我们在合成数据及具有挑战性的图像分类任务上实证评估了该方法——我们将其称为类别生成对抗网络（CatGAN）——并展示了所学分类器的鲁棒性。我们进一步定性评估了与判别式分类器同步学习的对抗生成器所生成样本的保真度，并揭示了 CatGAN 目标函数与判别式聚类算法（如 RIM）之间的联系。
引用
@article{arxiv.1511.06390,
title = {Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks},
author = {Jost Tobias Springenberg},
journal= {arXiv preprint arXiv:1511.06390},
year = {2016}
}