Springenberg J T. Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks[J]. Computer Science, 2015.
原文下载链接
2016ICLR 会议论文
Abstract
文中作者提出一种从为标记或部分标记数据中学习判别分类器的方法.方法是基于一个目标函数,在观测样本和他们预测的类别分布间trades-off(交换,权衡)互信息,against生成对抗模型的分类器的鲁棒性.该算法可以理解为GAN框架的一个自然泛化或正规化信息最大化(RIM)框架的一个扩展来鲁棒分类.作者在合成数据和富有挑战性的图像分类任务上评估该方法(CatGAN绝对Gan),展示学到的分类器的鲁棒性.作者进一步定性地评估对抗生成器生成的样本的保真度,并确定CatGAN目标和判别聚类算法(RIM)之间的联系.
Introduction
学习未标注数据的前提是,训练样本内呈现的结构包含可以用来推断未知标签的信息.也就是说,在无监督学习中,我们假设输入分布p(x)包含关于p(y|x)的信息,这里y属于{1,…k},表示未知标签.通过利用来自数据分布中的标记和未标记的样本,希望学到一个能捕获这种shared structure(共