Добро пожаловать, чтобы нажать на синее слово выше, обратите внимание~
Связанное Чтение: \
GAN существует уже 6 лет! Пришло время для инсульта!
Были загружены сотни документов GAN! С недавним обзором генеративно-состязательных сетей!\
В небе дождь, а у меня его нет! Как насчет GAN для удаления дождя?\
Угасание! ГАН прогнозировать?\
Руошуй три тысячи, только бери свою отметку! Как насчет AL (активного обучения) в сочетании с GAN?\
Обнаружение аномалий, как работает GAN?
Виртуальная переодевание! Взгляните на то, что делают эти последние газеты!\
Миграция макияжа лица! Краткий обзор нескольких статей с использованием GAN
[1] Как насчет генерации GAN на медицинских изображениях?
01-Краткий принцип формулы GAN - Маленькие сокровища в железной броне
Это очень распространено для сценариев с небольшим объемом размеченных данных и большим объемом неразмеченных данных.
Как мы все знаем, маркировка часто требует много времени, трудоемкости или даже неосуществима. А методы машинного обучения, такие как глубокое обучение, при отсутствии размеченных данных эффект сильно снижается или вообще невозможен.
В ответ на проблему обучающих данных, смешанных с размеченными данными и большим количеством неразмеченных данных,Полуконтролируемое обучениеПолучите много исследований. Конечно, подавляющее большинство современных исследований в области полуконтролируемого обучения по-прежнему ограничены и весьма гипотетичны. Например,Распределение неразмеченных данных должно соответствовать или очень похоже на распределение размеченных данных, категория неразмеченных данных должна принадлежать к одной из размеченных категорий, и даже неразмеченные данные должны быть сбалансированы по классам.и Т. Д.
Традиционные полуконтролируемые методы обучения здесь не обсуждаются. Полууправляемое глубокое обучение, по-видимому, очень популярно в последние годы (говорят), в основном с использованием немаркированных данных для предварительной подготовки сети, а затем тонкой настройки с помеченными данными и использованием полученных функций после обучения сети с помеченными данными. для разработки полууправляемых алгоритмов и т. д. Сегодня я в основном понимаю класс статей, основанных на генеративной модели GAN в полууправляемом глубоком обучении.
1. 2016-UNSUPERVISED ANDSEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS
В этой статье мы предлагаем метод обучения дискриминационного классификатора (классификационная генеративно-состязательная сеть CatGAN) из немаркированных или частично помеченных данных, который основан на целевой функции, которая обменивает наблюдаемые выборки и прогнозируемое категориальное распределение классов, Взаимная информация, повышая надежность классификатора в состязательной модели. Полученный алгоритм можно рассматривать как обобщение структуры генеративно-состязательной сети (GAN) или как расширение регуляризованной максимизации информации (RIM). Оценки синтетических данных, а также сложные задачи классификации изображений демонстрируют надежность классификатора. Мы также дополнительно качественно оцениваем точность выборок, сгенерированных генератором, обученным с помощью дискриминационного классификатора, и определяем связь между целью CatGAN и алгоритмами дискриминационной кластеризации, такими как RIM.
Изучение нелинейных классификаторов на основе неразмеченных или частично размеченных данных — давняя проблема машинного обучения. Предпосылкой обучения на немаркированных данных является то, что структуры в обучающих выборках содержат информацию, которую можно использовать для вывода неизвестных меток. То есть при обучении без учителя мы предполагаем, что входное распределение p(x) содержит информацию о p(y|x) (где y∈1,...,K обозначает неизвестные метки). Изучая как помеченные, так и немеченые образцы из распределения данных, мы получаем представления об общих структурах среди них. Такое представление может помочь классификатору обучаться, используя только несколько помеченных образцов, но при этом обобщать другие части также из распределения данных.
Традиционно эта задача была формализована как задача назначения кластеров (категорий), которую можно разделить на два типа: (1) методы генеративной кластеризации, такие как смешанные модели Гаусса, k-средние и алгоритмы оценки плотности, которые напрямую пытаются назначить p(x) (или его геометрические свойства) для моделирования; (2) дискриминационные методы кластеризации, такие как кластеризация с максимальным запасом (MMC) или максимизация регулярной информации (RIM), для непосредственной группировки неразмеченных данных с помощью некоторого механизма классификации. p(x) явно не моделируется. Хотя последний больше соответствует нашей цели изучения классификации, он склонен к переоснащению, особенно в сочетании с мощными нелинейными классификаторами, такими как нейронные сети.
В последнее время нейронные сети исследовали различные подходы к неконтролируемым и полуконтролируемым задачам обучения. Эти методы обычно включают обучение генеративных моделей или сетей автоэнкодера, поскольку они явно моделируют распределение данных путем восстановления входных выборок, все из которых связаны с методами генеративной кластеризации и обычно используются только для предварительной подготовки сетей классификации. Одна из проблем с такими методами обучения на основе реконструкции заключается в том, что в погоне за хорошими реконструкциями изучаются представления, которые сохраняют всю информацию во входных образцах. Фактически, эта цель идеальной реконструкции часто противоположна изучению классификатора. Классификатор моделирует p(y|x), поэтому он сохраняет только информацию, необходимую для прогнозирования меток классов (не заботится о несущественных деталях).
Идея структуры Classification Generative Adversarial Network (CatGAN) состоит в том, чтобы объединить как генеративную, так и дискриминационную точки зрения.
Перспектива дискриминатора: он должен (i) быть определяемым для класса выборок, (ii) быть трудным для определения (неразличимым) класса сгенерированных выборок и (iii) использовать все классы одинаково.
Перспектива генератора: он должен (i) генерировать выборки таким образом, чтобы дискриминатор имел высокодетерминированный класс, и (ii) равномерно распределять выборки по всем K классам.
2. 2016-Semi-Supervised Learningwith Generative Adversarial Networks
В этом документе генеративно-состязательные сети (GAN) расширяются до полууправляемого обучения: заставляют дискриминатор выводить метки классов. Обучите генератор G и дискриминатор D на наборе данных, где вход является одним из N классов. Во время обучения D используется для предсказания того, какой вход принадлежит N+1, что является выходом, соответствующим G. Этот подход можно использовать для создания более эффективных классификаторов и получения выборок более высокого качества, чем обычные GAN.
3. 2017-Good Semi-supervisedLearning That Requires a Bad GAN
Методы полууправляемого обучения на основе генеративно-состязательной сети (GAN) достигли сильных эмпирических результатов, но неясно: 1) как дискриминатор выигрывает от совместного обучения с генератором; 2) почему хорошая производительность полууправляемой классификации и хороший генератор нельзя получить одновременно. В этой статье теоретически доказывается, что, учитывая цель дискриминатора, хорошее обучение с полуучителем требует плохого генератора, и предлагается определение предпочтительного генератора.
...
Чтобы быть более.
(Более 40 статей, связанных с GAN для полуконтролируемого обучения, прилагаются ниже)
001 (2019-11-19) SSAH Semi-supervised Adversarial Deep Hashing with Self-paced Hard Sample Generation
А. Р. Уэст В. Мытый Search.top/PDF/1911.08…
002 (2019-10-18) Semi-supervised Learning using Adversarial Training with Good and Bad Samples
А. Р. Уэст В. Мытый Search.top/PDF/1910.08…
003 (2019-09-19) Fine-grained Action Segmentation using the Semi-Supervised Action GAN
А. Р. Уэст В. Мытый Search.top/PDF/1909.09…
004 (2019-09-15) Understanding and Improving Virtual Adversarial Training
А. Р. Уэст В. Мытый Search.top/PDF/1909.06…
005 (2019-08-11) Semi-Supervised Self-Growing Generative Adversarial Networks for Image Recognition
А. Р. Уэст В. Мытый Search.top/PDF/1908.03…
006 (2019-08-12) Particle Swarm Optimization for Great Enhancement in Semi-Supervised Retinal Vessel Segmentation with Generative Adversarial Networks
А. Р. Уэст В. Мытый Search.top/PDF/1906.07…
007 (2019-06-14) Multi-Adversarial Variational Autoencoder Networks
А. Р. Уэст В. Мытый Search.top/PDF/1906.06…
008 (2019-06-9) Semi-supervised Complex-valued GAN for Polarimetric SAR Image Classification
А. Р. Уэст В. Мытый Search.top/PDF/1906.03…
009 (2019-05-24) Semi-supervised GAN for Classification of Multispectral Imagery Acquired by UAVs
А. Р. Уэст В. Мытый Search.top/PDF/1905.10…
010 (2019-05-16) Semi-supervised learning based on generative adversarial network a comparison between good GAN and bad GAN approach
А. Р. Уэст В. Мытый Search.top/PDF/1905.06…
011 (2019-05-7) Adversarial Variational Embedding for Robust Semi-supervised Learning
А. Р. Уэст В. Мытый Search.top/PDF/1905.02…
012 (2019-03-27) Small Data Challenges in Big Data Era A Survey of Recent Progress on Unsupervised and Semi-Supervised Methods
А. Р. Уэст В. Мытый Search.top/PDF/1903.11…
013 (2019-05-22) GANs for Semi-Supervised Opinion Spam Detection
А. Р. Уэст В. Мытый Search.top/PDF/1903.08…
014 (2019-04-25) Semi-Supervised Multitask Learning on Multispectral Satellite Images Using Wasserstein Generative Adversarial Networks (GANs) for Predicting Poverty
А. Р. Уэст В. Мытый Search.top/PDF/1902.11…
015 (2019-02-27) Semi-supervised GANs to Infer Travel Modes in GPS Trajectories
А. Р. Вест В. Ваш поиск .top / PDF / 1902.10 ...
016 (2018-12-19) Semi-Supervised Deep Learning for Abnormality Classification in Retinal Images
А. Р. Вест В. Мытый Search.top/PDF/1812.07…
017 (2019-09-3) Generalizing semi-supervised generative adversarial networks to regression using feature contrasting
А. Р. Вест В. Мытый Search.top/PDF/1811.11…
018 (2018-11-11) Semi-supervised Text Regression with Conditional Generative Adversarial Networks
А. Р. Вест В. Мытый Search.top/PDF/1810.01…
019 (2018-09-1) Semi-supervised Learning on Graphs with Generative Adversarial Nets
А. Р. Вест В. Мытый Search.top/PDF/1809.00…
020 (2018-07-11) Manifold regularization with GANs for semi-supervised learning
А. Р. Вест В. Мытый Search.top/PDF/1807.04…
021 (2018-06-20) Semi-supervised Seizure Prediction with Generative Adversarial Networks
А. Р. Вест В. Мытый Search.top/PDF/1806.08…
022 (2019-05-6) Sdf-GAN Semi-supervised Depth Fusion with Multi-scale Adversarial Networks
А. Р. Вест В. Мытый Search.top/PDF/1803.06…
023 (2018-03-8) GONet A Semi-Supervised Deep Learning Approach For Traversability Estimation
А. Р. Вест В. Мытый Search.top/PDF/1803.03…
024 (2018-02-7) SCH-GAN Semi-supervised Cross-modal Hashing by Generative Adversarial Network
А. Р. Вест В. Мытый Search.top/PDF/1802.02…
025 (2018-01-29) Classification of sparsely labeled spatio-temporal data through semi-supervised adversarial learning
А. Р. Вест В. Мытый Search.top/PDF/1801.08…
026 (2018-01-22) DiscrimNet Semi-Supervised Action Recognition from Videos using Generative Adversarial Networks
А. Р. Вест В. Мытый Search.top/PDF/1801.07…
027 (2017-12-7) Semi-Supervised Learning with IPM-based GANs an Empirical Study
А. Р. Вест В. Мытый Search.top/PDF/1712.02…
028 (2018-04-4) Generative Adversarial Positive-Unlabelled Learning
AR West V. Мытый Search.top/PDF/1711.08…
029 (2017-10-27) A Self-Training Method for Semi-Supervised GANs
AR West V. Мытый Search.top/PDF/1710.10…
030 (2017-11-18) Triangle Generative Adversarial Networks
AR West V. Мытый Search.top/PDF/1709.06…
031 (2017-07-14) Guiding InfoGAN with Semi-Supervision
А. Р. Вест В. Мытый Search.top/PDF/1707.04…
032 (2017-10-26) Semi-Supervised Haptic Material Recognition for Robots using Generative Adversarial Networks
А. Р. Вест В. Мытый Search.top/PDF/1707.02…
033 (2017-07-7) Learning Loss Functions for Semi-supervised Learning via Discriminative Adversarial Networks
А. Р. Вест В. Мытый Search.top/PDF/1707.02…
034 (2017-11-3) Good Semi-supervised Learning that Requires a Bad GAN
А. Р. Вест В. Мытый Search.top/PDF/1705.09…
035 (2017-12-5) Semi-supervised Learning with GANs Manifold Invariance with Improved Inference
А. Р. Вест В. Мытый Search.top/PDF/1705.08…
036 (2017-03-28) Semi and Weakly Supervised Semantic Segmentation Using Generative Adversarial Network
А. Р. Вест В. Мытый Search.top/PDF/1703.09…
037 (2017-11-5) Triple Generative Adversarial Nets
А. Р. Вест В. Мытый Search.top/PDF/1703.02…
038 (2017-02-8) An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks
А. Р. Вест В. Мытый Search.top/PDF/1702.02…
040 (2017-08-21) Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro
А. Р. Вест В. Мытый Search.top/PDF/1701.07…
041 (2016-06-10) Improved Techniques for Training GANs
AR West V. Washed Search.top/PDF/1606.03…
042 (2016-10-21) Semi-Supervised Learning with Generative Adversarial Networks
AR West V. Washed Search.top/PDF/1606.01…
GAN&CV группа обмена , будь вы новичок или большой парень, сердечно приглашаем вас присоединиться!\
Обсуждайте и общайтесь вместе! Нажмите и удерживайте заметку [Присоединиться к группе], чтобы присоединиться:
Чтобы больше поделиться, нажмите и удерживайте, чтобы подписаться на эту официальную учетную запись:\