論文の概要: How Does GAN-based Semi-supervised Learning Work?

• arxiv url: http://arxiv.org/abs/2007.05692v1
• Date: Sat, 11 Jul 2020 06:16:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 13:08:47.192760
• Title: How Does GAN-based Semi-supervised Learning Work?
• Title（参考訳）: GANに基づく半教師あり学習はどのように働くか?
• Authors: Xuejiao Liu and Xueshuang Xiang
• Abstract要約: GAN(Generative Adversarial Network)が広く使われ、半教師付き学習において競争的な結果を得た。 本稿では,GANを用いた半教師付き学習(GAN-SSL)の動作を理論的に解析する。
• 参考スコア（独自算出の注目度）: 3.7692411550925664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial networks (GANs) have been widely used and have achieved competitive results in semi-supervised learning. This paper theoretically analyzes how GAN-based semi-supervised learning (GAN-SSL) works. We first prove that, given a fixed generator, optimizing the discriminator of GAN-SSL is equivalent to optimizing that of supervised learning. Thus, the optimal discriminator in GAN-SSL is expected to be perfect on labeled data. Then, if the perfect discriminator can further cause the optimization objective to reach its theoretical maximum, the optimal generator will match the true data distribution. Since it is impossible to reach the theoretical maximum in practice, one cannot expect to obtain a perfect generator for generating data, which is apparently different from the objective of GANs. Furthermore, if the labeled data can traverse all connected subdomains of the data manifold, which is reasonable in semi-supervised classification, we additionally expect the optimal discriminator in GAN-SSL to also be perfect on unlabeled data. In conclusion, the minimax optimization in GAN-SSL will theoretically output a perfect discriminator on both labeled and unlabeled data by unexpectedly learning an imperfect generator, i.e., GAN-SSL can effectively improve the generalization ability of the discriminator by leveraging unlabeled information.
• Abstract（参考訳）: generative adversarial network (gans) は広く使われており、半教師付き学習で競争的な結果を得ている。 本稿では,GANを用いた半教師付き学習(GAN-SSL)の動作を理論的に解析する。 まず,GAN-SSLの識別器を最適化することは教師あり学習の最適化と等価であることを示す。 したがって、GAN-SSLにおける最適な識別器はラベル付きデータに完全であることが期待される。 そして、完全判別器がさらに最適化目標を理論上の最大値に達することができるならば、最適生成器は真のデータ分布と一致する。 実際に理論的な最大値に達することは不可能であるため、GANの目的と明らかに異なるデータを生成するための完璧なジェネレータを得ることはできない。 さらに、ラベル付きデータが半教師付き分類で妥当なデータ多様体のすべての連結部分領域をトラバースできるなら、GAN-SSLにおける最適な識別器はラベルなしデータでも完璧であると予想する。 結論として、GAN-SSLにおけるミニマックス最適化は、不完全生成器を予期せず学習することにより、ラベル付きデータとラベルなしデータの両方で完全判別器を理論的に出力する。

関連論文リスト

• Semi-Supervised Sparse Gaussian Classification: Provable Benefits of Unlabeled Data [6.812609988733991]
  高次元ガウス分類のためのSSLについて検討する。 正確な特徴選択のための情報理論の下限を解析する。 理論的解析を補完するシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-09-05T08:21:05Z)
• Can semi-supervised learning use all the data effectively? A lower bound perspective [58.71657561857055]
  半教師付き学習アルゴリズムはラベル付きデータを利用して教師付き学習アルゴリズムのラベル付きサンプル複雑性を改善することができることを示す。 我々の研究は、SSLアルゴリズムのパフォーマンス向上を証明することは可能だが、定数の注意深く追跡する必要があることを示唆している。
  論文  参考訳（メタデータ） (2023-11-30T13:48:50Z)
• GANs Settle Scores! [16.317645727944466]
  本稿では,変分的手法による発電機最適化を統一的に解析する手法を提案する。 $f$-divergence-minimizing GANsにおいて、最適生成器はその出力分布のスコアとデータ分布のスコアとを一致させるものであることを示す。 本稿では,スコアとフローマッチングに基づく$f$-GAN と IPM-GAN の新たな代替案を提案する。
  論文  参考訳（メタデータ） (2023-06-02T16:24:07Z)
• EC-GAN: Low-Sample Classification using Semi-Supervised Algorithms and GANs [0.0]
  ラベル付きデータによる分類などの画像解析タスクを可能にするため,半教師付き学習が注目されている。 半教師付き分類にgans(generative adrial network)を用いる一般的なアルゴリズムは、分類と識別のための単一のアーキテクチャを共有している。 これにより、各タスクごとに別々のデータ分散に収束するモデルが必要になり、全体的なパフォーマンスが低下する可能性がある。 完全教師付きタスクの分類を改善するために,GANと半教師付きアルゴリズムを用いた新しいGANモデルであるECGANを提案する。
  論文  参考訳（メタデータ） (2020-12-26T05:58:00Z)
• Sampling-Decomposable Generative Adversarial Recommender [84.05894139540048]
  サンプル分解可能な生成逆数レコメンダ(SD-GAR)を提案する。 本フレームワークでは, 自己正規化重要度サンプリングにより, 生成元と最適値とのばらつきを補償する。 提案アルゴリズムを5つの実世界のレコメンデーションデータセットを用いて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-11-02T13:19:10Z)
• Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
  GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。 実際には、意味情報はデータから学んだ潜在的な分布によって表現される。 ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-28T09:17:50Z)
• Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
  Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
  論文  参考訳（メタデータ） (2020-07-17T09:16:05Z)
• Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling [106.68533003806276]
  本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。 判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
  論文  参考訳（メタデータ） (2020-03-12T23:33:50Z)
• On Positive-Unlabeled Classification in GAN [130.43248168149432]
  本稿では,標準GANに対する肯定的かつ未ラベルの分類問題を定義する。 その後、GANにおける差別者の訓練を安定させる新しい手法が導かれる。
  論文  参考訳（メタデータ） (2020-02-04T05:59:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。