Semi-Supervised Learning with Generative Adversarial Networks

最新推荐文章于 2021-10-04 23:01:38 发布
最新推荐文章于 2021-10-04 23:01:38 发布
阅读量6.9k 收藏 15
点赞数 1
分类专栏： 翻译阅读笔记 文章标签： SGAN 半监督生成对抗网络 GAN
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/70162460
版权
该文提出了一种半监督生成对抗网络（SGAN）的新型框架，通过扩展GAN，使其同时学习生成模型和分类器。SGAN在有限数据集上的分类性能优于无生成部分的基准分类器，并能生成高质量的样本。实验结果表明，SGAN在MNIST数据集上的表现优于传统的GAN，并且提高了数据效率。
摘要由CSDN通过智能技术生成

[目录]

论文下载地址

摘要

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。
生成式网络G 和判别器网络作为对抗对象同时训练，G接收一个噪声向量作为输入，输出衣服图像（样本），D 接收图像（样本）并输出该图像是否是来自G 的预测。训练G 以最大化D 犯错的概率，训练D 以最小化自己犯错的概率。基于这些想法，运用卷积神经网络的级联，可以生成高质量的输出样本（Denton）。最近，一个single generator network产生了更好的样本（Radford ）。文中作者试图解决一个半监督分类任务并同时学习一个生成式模型。例如，我们可以在MNIST数据集上学习一个生成式模型时训练一个图像分类器，我们把它叫做C 。运用生成式模型在半监督学习任务上已经不是第一次了（Kingma）。这里，我们想用GANs做些类似的事。我们不是第一个用GAN 做半监督学习的。CatGAN&#x

最低0.47元/天 解锁文章
菜鸟要超神
关注
专栏目录
Semi-supervised Learning on Graphs with Generative Adversarial Nets
weixin_42305378的博客
07-25 784
ABSTRACT 我们研究了生成对抗网（GANs）如何帮助图的半监督学习。我们首先介绍了图的对抗学习的工作原理，然后提出了图的半监督学习的一种新方法GraphSGAN。在GraphSGAN中，生成器和分类器网络进行了一种新颖的竞争博弈。在平衡状态下，生成器在子图之间的低密度区域生成假样本。为了区分真假样本，分类器隐式地考虑了子图的密度特性。提出了一种有效的对抗学习算法，通过理论改进传统的标准化图拉普拉斯正则化保证。 在几种不同类型的数据集上的实验结果表明，所提出的GraphSGAN明显优于几种最新的方法
论文笔记之：Semi-Supervised Learning with Generative Adversarial Networks
a1424262219的博客
08-25 607
Semi-Supervised Learning with Generative Adversarial Networks 　　 　　引言：本文将产生式对抗网络（GAN）拓展到半监督学习，通过强制判别器来输出类别标签。我们在一个数据集上训练一个产生式模型 G 以及 一个判别器 D，输入是N类当中的一个。在训练的时候，D被用于预测输入是属于 N+1的哪一个，这个+1是对应了G的...
Semi-Supervised Learning with Generative Adversarial Networks（小白学GAN 七）
fan1102958151的博客
06-02 1068
原文链接：https://arxiv.org/pdf/1606.01583.pdf 简介
《Semi-Supervised Learning with Generative Adversarial Networks》 论文阅读
I good vegetable a!
05-27 621
论文地址 https://arxiv.org/pdf/1606.01583.pdf 摘要 \quad无论是在GAN还是DCGAN中，我们鉴别器Discriminator输出的都是一个概率变量(float)，代表输入到鉴别器的图片是真的还是假的，SGAN通过使判别器网络输出类别标签将GAN扩展为半监督的。在一个N个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个类别中的哪一类...
挖坑:UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS
jsliuqun的博客
02-18 3573
Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks
semi-supervised learning
stdleohao的博客
10-04 189
半监督学习[1] 当根据手头仅有的标注数据，会将一些虽然没有标注但可被观测到的数据进行一些合理的推测，其中推测主要基于两个假设： 聚类假设cluster assumption：假设数据间具有相同的聚类结构，同一类数据会落入同一个聚类类别内。 流形假设manifold assumption：假设数据分布在一个流形上，相近的样本具有相似的预测结果。 主要方式： 生成式方法(generative methods)： self-training 基于图的方法(graph-based methods):标签传播
解读自监督学习(Self-Supervised Learning)几篇相关paper
胭脂草的ABC博客
06-23 950
解读自监督学习(Self-Supervised Learning)几篇相关paper Supervised deep learning由于需要大量标注信息，同时之前大量的研究已经解决了许多问题。所以近期大家的研究关注点逐渐转向了Unsupervised learning，许多顶会包括ICML, NeurIPS, CVPR, ICCV相继出现一些不错的paper和研究工作。 这里主要关注Unsupervised learning一类特定的方法：Self-supervised learnin...
Semi-Supervised Learning with Generative Adversarial Networks 论文笔记
u013841458的博客
11-07 1691
Abstract 我们通过强制鉴别器网络输出类标签，将生成对抗网络（GAN）扩展到半监督上下文。 我们在数据集上训练生成模型G和鉴别器D，其中输入属于N类之一。 在训练时，D用于预测输入所属的N + 1个类中的哪一个，其中添加额外的类以对应于G的输出。我们表明该方法可用于创建更具数据效率的分类器。 并且它允许生成比常规GAN更高质量的样本。  1. Introduction     ...
#paper reading#Semi-supervised Learning on Graphs with Generative Adversarial Nets
weixin_42281282的博客
07-25 482
????https://dl.acm.org/doi/10.1145/3269206.3271768 文章提出了图的半监督学习的一种新方法GraphSGAN。 摘要 我们研究了生成对抗网（generative attersarial nets，GANs）如何帮助图的半监督学习。我们首先介绍了图的对抗学习的工作原理，然后提出了图的半监督学习的一种新方法GraphSGAN。在GraphSGAN中，生成器和分类器网络进行了一种新颖的竞争博弈。在平衡状态下，生成器在子图之间的低密度区域生成假样本。为了区分真假样本，
[深度学习论文笔记][ICCV 17]Semi Supervised Semantic Segmentation Using Generative Adversarial Net
KFXW的专栏
11-27 3837
第一篇将GAN应用在分割中的文章来自于[1]。在此之后出现的GAN+语义分割的文章也基本遵从[1]中的思路，即在传统语义分割训练框架中加一个adversarial loss，将分割网络视作生成器。这篇文章则是从另一个角度考虑问题，即将分割网络视作判别器，使用GAN的生成器扩展训练数据，从而提升训练效果。
《Incremental Classifier Learning with Generative Adversarial Networks》 阅读笔记
Chris_zhangrx的博客
12-06 1276
原文链接： Incremental Classifier Learning with Generative Adversarial Networks 本文主要是解决增量学习中灾难性遗忘的问题，文中指出灾难性遗忘主要是因为过去的数据在训练时得不到。通常的方法是先保留一部分过去类别的样本，然后配合蒸馏正则化来平衡新旧类别之间的关系。但是这些方法主要有四个问题： 1）Loss 函数的设计对分类器来说都不...
Supervised learning、Unsupervised learning and Semi-Supervised learning (总结)
u012803639的博客
04-23 1736
有监督学习和无监督学习 有监督学习：就是每次迭代开始前都有人为操控，比如限制条件或者数据处理 无监督学习： 给个迭代方程，然后，让它自己运行 分类与聚类，监督学习与无监督学习     在讲具体的分类和聚类算法之前，有必要讲一下什么是分类，什么是聚类，以及都包含哪些具体算法或问题。 Classification (分类)，对于一个 c
Virtual Adversarial Training: A Regularization Method for Supervised and Semi-Supervised Learning
我的备忘录
06-17 1662
arxiv链接 前言 有时候, 输入数据加入细微的扰动, 都会让模型结果大相径庭. 因此, 我们总是希望训练结果的分布是光滑的, 这样才能保持稳定. 但在连续分布的空间中, 总是存在过大的间隙, 这些间隙只能靠更多的数据或减小网络复杂度(正则)的方法让它尽可能光滑. VAT同样是为了解决光滑问题, 且解释性更强, 也更直观. 我只读了文章前4页, 做个大概了解. 思路 一个图片是N维中的一个点P, 给数据加噪, 其实就是在这P点周围画了一个小圈, 小圈内都是点P加噪后的图. 所以, 自然地我们希望小圈周围的
生成式对抗网络GAN研究进展（二）——原始GAN
热门推荐
Solomon1558的专栏
09-15 4万+
【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] Goodfe
[生成对抗网络GAN入门指南]（8）SGAN：Semi-Supervised Learning with Generative Adversarial Networks
gdtop的个人笔记
02-13 6511
本篇blog的内容基于原始论文SGAN：Semi-Supervised Learning with Generative Adversarial Networks和《生成对抗网络入门指南》第六章。（论文比较短只有3页，其中还包含一页citation） 为什么研究SGAN？ 有大量的数据是不带标签的，带标签的数据只占一小部分； 在DCGAN的研究中我们看到使用生成模型特征抽取后形成...
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
Semi-Supervised Classification with Graph Convolutional Networks
最新发布
05-17
Semi-supervised classification with graph convolutional networks (GCNs) is a method for predicting labels for nodes in a graph. GCNs are a type of neural network that operates on graph-structured data...
评论 2
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