半监督学习与生成对抗网络

Source: Dev.to

概览

半监督 GAN 将生成器（用于创建图像）与判别器相结合，判别器不仅要区分真实与伪造，还要预测正确的类别标签。通过让判别器在常规类别和一个特殊的“由 AI 生成”选项之间进行选择，模型可以在标记样本极少的情况下进行学习。

工作原理

判别器的任务被扩展为：

1. 伪造检测 – 判断输入图像是真实的还是生成的。
2. 分类 – 将图像分配到预定义的类别之一，或归入“生成”类别。

同时训练这两个目标会迫使生成器产生更真实的样本，同时使分类器在数据利用上更高效。

优势

• 数据高效学习 – 分类器在更少的人为标记图像下也能提升性能。
• 更高质量的生成 – 生成器获得更丰富的反馈，从而产生更逼真的输出。
• 降低标注成本 – 团队无需为每张图片标记，即可实现强大的模型，加速项目并降低费用。

未解决的挑战

• 在对抗损失和分类损失之间微调平衡仍需仔细实验。
• 将该方法扩展到非常大或高度不平衡的数据集可能会遇到额外困难。

阅读完整评述：
Semi‑Supervised Learning with Generative Adversarial Networks