挖坑:UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS

最新推荐文章于 2019-04-28 09:52:20 发布
最新推荐文章于 2019-04-28 09:52:20 发布
阅读量3.5k 收藏 2
点赞数
分类专栏： 翻译阅读笔记 文章标签： CatGAN 无监督学习 半监督学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jsliuqun/article/details/55668078
版权

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

最低0.47元/天 解锁文章
菜鸟要超神
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Semi-Supervised Learning with Generative Adversarial Networks
jsliuqun的博客
04-13 6911
通过使判别器网络输出类别标签将GAN扩展成半监督的。在一个N类别的数据集上训练生成模型G和判别模型D。训练时，D预测输入数据属于N个类别中的哪一个，加入一个额外的类别对应G的输出。我们证明，相对与普通的GAN，此方法可以用来生成一个更有效的分类器并可以生成高质量的样本。
Semi-Supervised GAN
最新发布
pj5624的博客
05-24 266
在SS-GAN中，判别器不仅需要区分真实数据和生成数据，还需要对真实数据进行分类。因此，判别器的输出层通常设计成有𝐾+1K+1个节点，其中𝐾K是分类任务的类别数，额外的一个节点用于判断输入是否为生成数据。使用带标签的数据对判别器进行训练，使其能够准确分类不同类别的数据，同时区分真实数据和生成数据。使用未带标签的数据对判别器进行训练，主要目的是增强判别器区分真实数据和生成数据的能力。生成器的训练目标是最小化判别器将生成样本判定为假的概率。生成器的目标保持不变，试图生成逼真的数据样本，以欺骗判别器。
【GAN ZOO翻译系列】Cat GAN：UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GAN 用于监督和半监督学习的GAN
hyczkg的博客
09-20 3849
Jost Tobias Springenberg 弗莱堡大学 79110 Freiburg, Germany springj@cs.uni-freiburg.de 原文链接https://arxiv.org/abs/1511.06390v2 摘要 本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法。方法基于客观函数，该函数在观察到的示例与其预测的分类类别分布之间交换互信息...
深度学习笔记一：生成对抗网络（Generative Adversarial Nets）
眼观
11-22 1万+
文章链接：http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf 已经有段时间没看过Deep learning的东西了，最近要重新捡起来了。从生成对抗网络（GAN）开始。 这是Goodfellow的scholar主页，没看过的可以去膜拜一下。 与GAN相关的最新的推荐文章： Unsupervised and Semi
Generative Adversarial Networks[论文合集]
gdtop的个人笔记
04-07 7237
https://handong1587.github.io/deep_learning/2015/10/09/gan.html Jump to... 1.Image-to-Image Translation 1.Pix2Pix 2.Projects 3.Blogs 4.Talks / Videos 5.Resou...
【Active Learning - 04】Generative Adversarial Active Learning
Houchaoqun_XMU的博客
04-28 2405
【2017.11.15】Generative Adversarial Active Learning 相关文档： 【2017】Generative Adversarial Active Learning.pdf【2017】Generative Adversarial Active Learning_PPT.pdf 学习笔记：GAN + Active learning 主要步骤： GANs ...
GANs学习系列(1): GANs：Generative Adversarial Networks
cookie_234的博客
04-23 1707
reference: http://blog.csdn.net/u011534057/article/details/52840788 生成对抗网络（Generative Adversarial Network）
Generative Adversarial Network (GAN) papers (2018.2.4 更新）
omnispace的博客
11-07 6605
AdversarialNetsPapersThe classic about Generative Adversarial NetworksThe First paper [Generative Adversarial Nets] [Paper][Code](the First paper of GAN)Unclassified [Deep Generative Image Models usin...
生成式对抗网络论文阅读整理
06-29 290
我对目前GAN经典的及最新的较有影响力的论文进行了阅读与整理，目前仅完成了论文梗概的总结。后续将会分篇详细介绍。 归类 题目 发表 贡献概要 理论 Generative Adversarial Nets (Ian Goodfellow, Yoshua Bengio) NIPS2014 ...
GANs学习系列(5): 生成式对抗网络Generative Adversarial Networks
热门推荐
Focusing on your own Mind :) －> 站在巨人的肩膀上
10-17 2万+
【前言】      本文首先介绍生成式模型，然后着重梳理生成式模型（Generative Models）中生成对抗网络（Generative Adversarial Network）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。  涉及的论文有：  [1] Goodfell
Unsupervised and Semi-Supervised Dimensionality Reduction with Self-Organizing Incremental Neural Network and Graph Similarity Constraints
02-10
Unsupervised and Semi-Supervised Dimensionality Reduction with Self-Organizing Incremental Neural Network and Graph Similarity Constraints
SEMI-SUPERVISED LEARNING (ADAPTIVE COMPUTATION AND MACHINE LEARNING)
03-23
In order to understand the nature of semi-supervised learning, it will be useful first to take a look at supervised and unsupervised learning.
unsupervised_and_semi-supervised_anomaly_detection_in_videos.pdf
03-19
An overview of deep learning based methods for unsupervised and semi-supervised anomaly detection in videos B Ravi Kiran, Dilip Mathew Thomas, Ranjith Parakkal
Semi-supervised learning
11-12
### 半监督学习(Semi-supervised Learning) #### 定义与背景 半监督学习是一种机器学习方法，它介于有监督学习（supervised learning）和无监督学习（unsupervised learning）之间。在有监督学习中，算法通过标记...
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
jsliuqun的博客
02-15 6209
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
CONDITIONAL IMAGE SYNTHESIS WITH AUXILIARY CLASSIFIER GANS
jsliuqun的博客
04-13 2678
论文下载地址：这里[目录] 摘要 简介 背景知识 AC-GANs 结果 生成高分辨率图像改善可分性 测量生成图像的多样性摘要合成高分辨率图像是机器学习中一个长期存在的挑战，文中介绍了图像合成的一个改进训练GAN s的新方法。我们运用标签条件构建了一个变种GANs，产生显示出全局一致性的128×128分辨率的图像样本。我们扩展了以前的图像质量评价工作，提出了两种新的分析方法，以评价类别条件图像合成模型
阅读源码遇到的一些Python 函数（--小白笔记）
jsliuqun的博客
03-29 462
npexpand_dims defaultdictnp.expand_dims扩展维度，例:>>> import numpy >>> a=numpy.arange(10) >>>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a.shape (10,) >>> b=numpy.expand_dims(a,axis=0) >>> b array([[0, 1
2020年的国际会议ICML在哪里举行？Unsupervised representation learning with deep convolutional generative adversarial networks发表在哪里？
06-11
而Unsupervised representation learning with deep convolutional generative adversarial networks这篇论文是发表在2016年的国际会议ICLR（International Conference on Learning Representations）上的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值