生成对抗主动学习

Feb, 2017

Generative Adversarial Active Learning

Jia-Jie Zhu, José Bento

TL;DR本研究提出了一种通过使用生成式对抗网络 (GAN) 实现的新型主动学习方法，通过根据不确定性原理生成查询来增加学习速度，我们的方法可以与其他主动学习原理一起使用；我们报告了各种数值实验的结果以证明所提出的方法的有效性。在某些情况下，该算法的效果优于传统的基于池的方法。据我们所知，这是第一个使用 GAN 实现的主动学习方法。

Abstract

We propose a new active learning by query synthesis approach using Generative Adversarial Networks (GAN). Different from regular active learning<

active learning query synthesis generative adversarial networks uncertainty principle pool-based approaches

发现论文，激发创造

用于图像分类的主动生成对抗网络

本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。

Jun, 2019

图像合成个性化的生成式主动学习

该研究提出了一项旨在将传统上应用于判别模型背景下的主动学习方法应用于生成模型的试点研究，重点关注图像合成个性化任务。通过引入锚定方向的概念，将查询过程转化为半开放问题，并提出了一种基于方向的不确定性采样策略来实现生成式主动学习并解决开发 - 探索的问题。通过大量实验验证了我们方法的有效性，表明开源模型在性能上可以比大公司开发的封闭模型（如 Google 的 StyleDrop）取得更好的结果。

Mar, 2024

使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

Jun, 2018

使用生成对抗网络学习生成椅子

本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

May, 2017

基于在线学习的生成对抗网络方法

本研究提出了一种名为 Chekhov GAN 1 的训练方法，将 GAN 的训练问题视为在零和博弈中找到一种混合策略，结合在线学习的思想，理论和实践证明了该方法收敛于半浅 GAN 体系结构，提高了稳定性和性能。

Jun, 2017

变分对抗主动学习

该文章通过变分自编码器（VAE）和对抗网络训练了一个基于池的半监督主动学习算法，通过对抗学习的方式隐式地学习了最具代表性的查询的采样机制并达到了创新性的分类效果。

Mar, 2019

利用生成对抗网络增强角色设计师的创造力

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023

通过生成对抗网络推进预先解释模型

该论文提出了一种新颖的概念学习框架，用于增强视觉分类任务中模型的可解释性和性能，通过将非监督解释生成器附加到主分类器网络中，并利用对抗训练的方式，使模型从潜在表征中提取视觉概念并与人可解释的视觉属性隐式对齐，该方法的实验结果验证了其稳健性和产生一致的概念激活，同时研究了对抗训练协议中的扰动对分类和概念获取的影响，从而实现了构建具有任务对齐概念表征的内在可解释深度视觉模型的显著进展，为开发可信任的用于真实感知任务的人工智能提供了关键支持。

Jan, 2024

生成对抗网络概述

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

主动学习中的对抗抽样

该论文提出了一种新的基于 GAN 的主动学习方法 ASAL，它能够生成高混沌样本，通过从样本池中搜索相似的样本，在训练中将它们包含在内，提高了新样本的质量并使注释更可靠。ASAL 是第一种适用于多类问题的基于 GAN 的主动学习方法，优于随机样本选择。ASAL 运行时复杂度较小，而传统的不确定性采样则相反。我们在多个传统数据集上进行了全面的实验，并展示了 ASAL 的优越性。在讨论部分，我们分析了 ASAL 的最佳性能情况和为什么有时很难超越随机样本选择。

Aug, 2018