通过对抗样本生成进行开放类别分类

IJCAIMay, 2017

通过对抗样本生成进行开放类别分类

Open-Category Classification by Adversarial Sample Generation

Yang Yu, Wei-Yang Qu, Nan Li, Zimin Guo

TL;DR本文提出了一种基于对抗学习的 ASG 框架来进行开放式分类任务，使用无监督学习方法生成已知类别的正样本和负样本，并在此基础上进行有监督学习以区分已知类别和未知类别，并在多个数据集上进行了实验验证。

Abstract

In real-world classification tasks, it is difficult to collect training samples from all possible categories of the environment. Therefore, when an instance of an unseen class appears in the prediction stage, a robust classifier should be able to tell that it is from an unseen class, instead of classifying it to be any known category. In this paper, adopting

open-category classification adversarial learning asg framework supervised learning unsupervised learning

发现论文，激发创造

自适应负样本的开放世界分类

提出基于自适应负样本 (ANS) 的方法，设计可在训练阶段生成有效的合成开放类别样本，并在不需要任何先前知识或外部数据集的情况下使用。采用辅助的一对其余二元分类器，通过利用生成的负样本避免了复杂的阈值寻找阶段。在三个基准数据集上进行的大量实验表明，ANS 比现有方法取得了显著的改进。

Mar, 2023

基于生成对抗网络的无监督与半监督分类学习

本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法，该方法基于一种目标函数，该函数在观察到的示例和它们预测的分类分布之间进行互信息交换，并对分类器抵抗对抗性生成模型的鲁棒性进行了权衡。我们实证评估了我们的方法 - 我们将其命名为分类生成对抗网络（或 CatGAN）- 在合成数据以及具有挑战性的图像分类任务上，展示了所学习分类器的鲁棒性。此外，我们定性地评估了由随着判别器学习的对抗性生成器生成的样本的保真度，并确定了 CatGAN 目标和判别聚类算法（如 RIM）之间的联系。

Nov, 2015

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

多类开放集分类的生成式 OpenMax

介绍了一种对多类开放集分类问题的新方法 —— 生成式 OpenMax（G-OpenMax），使用生成对抗网络（GAN）进行新颖类别图像的合成，扩展了 OpenMax。在实验中验证了该方法的优越性，同时还提供了一种从开放空间中呈现未知类别的样本的方法。

Jul, 2017

GAT：生成对抗训练用于对抗例检测和强化分类

对付对抗性样本的一个新的检测方法：使用基于二进制分类器的技巧来区分干净样本和受到敌意扰动的样本，并通过生成方法来检测和分类对抗性样本。

May, 2019

使用条件概率生成模型进行开集识别

本文提出了一种新的条件概率生成模型（CPGM）框架，将辨别信息引入到概率生成模型中，以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验，证明该方法明显优于基线并取得了新的最佳性能。

Aug, 2020

对抗样本游戏

本文提出 Adversarial Example Games (AEG)，一种基于 min-max 博弈的生成对抗样本方法，实现了在给定假设类别的基础上训练生成器和分类器，证明了该方法能生成可攻击对应假设类别中所有分类器的对抗样本，实验表明该方法在 MNIST 和 CIFAR-10 数据集上相对于其他方法有了明显的提升。

Jul, 2020

带有目标的对抗样本的通用框架

本文提出了一种通用方法 - 对抗生成网络（AGNs），通过训练一个生成器神经网络输出满足特定目标的对抗样本来解决扰动图像误分类的问题，并在两个应用领域进行了演示。

Dec, 2017

使用生成模型构建不受限制的对抗样本

本文提出了一种新的威胁模型，即无限制敌对样本。通过条件生成模型，利用辅助分类生成对抗网络（AC-GAN）对数据进行分类，搜索潜空间并生成可能是该类别的在传统敌对攻击中被误分类的图像，证明它们确实属于该类别，并表明无限制敌对样本可以绕过传统的敌对训练和认证的攻击防御方法。

May, 2018

开放式域自适应中探索类别无关聚类

本文提出了一种用于处理源领域和目标领域中可能存在未知类别的自己集成（Self-Ensembling）方法，称为具有类别不可知聚类（Category-agnostic Clusters）的 SE-CC 模型，该模型利用聚类信息提供了与目标领域特定的视觉提示，方便了对于开集和闭集领域自适应的泛化。

Jun, 2020