Semi-Supervised Learning with Generative Adversarial Networks

最新推荐文章于 2024-04-23 09:19:11 发布
最新推荐文章于 2024-04-23 09:19:11 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
07-25 785
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 1069
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!
05-27 623
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 3575
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
06-23 951
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 1692
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     ...
Learning Generative Adversarial Networks epub
11-29
Learning Generative Adversarial Networks 英文epub 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除
#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 3838
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 1278
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...
【GAN小白入门】Semi-Supervised GAN 理论与实战
“365天深度学习训练营”报名进行中～
09-05 1114
创建一个标签嵌入层，用于将条件标签映射到潜在空间# 初始化图像尺寸，用于上采样之前# 第一个全连接层，将随机噪声映射到合适的维度# 生成器的卷积块nn.Tanh(),return img"""返回每个鉴别器块的层"""if bn:# 鉴别器的卷积块# 下采样图像的高度和宽度# 输出层self.adv_layer = nn.Sequential(nn.Linear(128 * ds_size ** 2, 1), nn.Sigmoid()) # 用于鉴别真假的输出层。
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 1663
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
GAN实战：半监督生成对抗网络
人邮异步社区
05-08 3733
半监督学习（semi-supervised learning）是GAN在实际应用中最有前途的领域之一。与监督学习（数据集中的每个样本有一个标签）和无监督学习（不使用任何标签）不同，半监督学习只为训练数据集的一小部分提供类别标签。通过内化数据中的隐藏结构，半监督学习努力从标注数据点的小子集中归纳，以有效地对从未见过的新样本进行分类。要使半监督学习有效，标签数据和无标签数据必须来自相同的基本分布。 缺少标签数据集是机器学习研究和实际应用中的主要瓶颈之一。尽管无标签数据非常丰富（互联网实际上就是无标签图像、视频
深度探索：机器学习中的Semi-Supervised GAN算法原理及其应用
最新发布
qq_51320133的博客
04-23 1146
Semi-Supervised GAN作为一种创新的半监督学习框架，成功融合了无监督生成对抗网络与有监督学习的优势，有效解决了标注数据匮乏的实际问题，为图像生成、文本分类、医学影像分析等领域带来了新的解决方案。尽管SSGAN在训练稳定性、数据分布假设等方面仍面临挑战，但随着研究的深入和技术的发展，未来有望通过改进模型结构、优化训练策略、探索新型损失函数等方式进一步提升其性能和适用性。展望未来，SSGAN及其衍生模型有望在更多领域发挥重要作用，推动人工智能技术在有限标注资源条件下的广泛应用。
Semi-Supervised Classification with Graph Convolutional Networks
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, where each node in the graph represents an entity (such as a person, a product, or a webpage) and edges represent relationships between entities. The semi-supervised classification problem arises when we have a graph where only a small subset of nodes have labels, and we want to predict the labels of the remaining nodes. GCNs can be used to solve this problem by learning to propagate information through the graph, using the labeled nodes as anchors. The key idea behind GCNs is to use a graph convolution operation to aggregate information from a node's neighbors, and then use this aggregated information to update the node's representation. This operation is then repeated over multiple layers, allowing the network to capture increasingly complex relationships between nodes. To train a GCN for semi-supervised classification, we use a combination of labeled and unlabeled nodes as input, and optimize a loss function that encourages the network to correctly predict the labels of the labeled nodes while also encouraging the network to produce smooth predictions across the graph. Overall, semi-supervised classification with GCNs is a powerful and flexible method for predicting labels on graph-structured data, and has been successfully applied to a wide range of applications including social network analysis, drug discovery, and recommendation systems.
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