Salimans, Tim, et al. “Improved techniques for training gans.” Advances in Neural Information Processing Systems. 2016.
概述
GAN的发明者Ian Goodfellow2016年在Open AI任职期间发表了这篇论文,其中提到了GAN用于半监督学习(semi supervised)的方法。称为SSGAN。
作者给出了Theano+Lasagne实现。本文结合源码对这种方法的推导和实现进行讲解。1
半监督学习
考虑一个分类问题。
如果训练集中大部分样本没有标记类别,只有少部分样本有标记。则需要用半监督学习(semi-supervised)方法来训练一个分类器。
wiki上的这张图很好地说明了无标记样本在半监督学习中发挥作用:
如果只考虑有标记样本(黑白点),纯粹使用监督学习。则得到垂直的分类面。
考虑了无标记样本(灰色点)之后,我们对样本的整体分布有了进一步认识,能够得到新的、更准确的分类面。
核心理念
在半监督学习中运用GAN的逻辑如下。
- 无标记样本没有类别信息,无法训练分类器;
- 引入GAN后,其中生成器(Generator)可以从随机信号生成伪样本;
- 相比之下,原有的无标记样本拥有了人造类别:真。可以和伪样本一起训练分类器。
举个通俗的例子:就算没人教认字,多练练分辨“是不是字”也对认字有好处。有粗糙的反馈,也比没有反馈强。
原理
框架
GAN中的两个核心模块是生成器(Generator)和鉴别器(Discriminator)。这里用分类器(Classifier)代替了鉴别器。
训练集中包含有标签样本 x l x_l xl和无标签样本 x u x_u xu。
生成器从随机噪声生成伪样本 I f I_f If。
分类器接受样本 I I I,对于 K K K类分类问题,输出 K + 1 K+1 K+1维估计 l l l,再经过softmax函数得到概率 p p p:其前 K K K维对应原有 K K K个类,最后一维对应“伪样本”类。
p p p的最大值位置对应为估计标签 y y y。
s o f t m a x ( x i ) = exp ( x i ) ∑ j exp ( x j ) {\rm softmax}(x_i)=\frac{\exp (x_i)}{\sum_j \exp(x_j)} softmax(xi)=∑jexp(xj)exp(xi)
三种误差
整个系统涉及三种误差。
对于训练集中的有标签样本,考察估计的标签是否正确。即,计算分类为相应的概率:
L l a b e l = − E [ ln p ( y ∣ x ) ] L_{label}=-E\left[ \ln p(y|x)\right] Llabel=−E[lnp(y∣x)]
对于训练集中的无标签样本,考察是否估计为“真”。即,计算不估计为 K + 1 K+1 K+1类的概率:
L u n l a b e l = − E [ ln ( 1 − p ( K + 1 ∣ x ) ) ] L_{unlabel} = -E\left[ \ln \left( 1 - p(K+1|x)\right) \right] Lunlabel=−E[ln(1−p(K+1∣x))]
对于生成器产生的伪样本,考察是否估计为“伪”。即,计算估计为 K + 1 K+1 K+1类的概率: