将生成对抗网络扩展到半监督学习中，强制鉴别器网络输出类标签，能够创建更具数据效率的分类器以及比正常GAN生成更高质量的样本。

Jun, 2016

本论文介绍了一种基于对抗损失的图像修复半监督学习方法，通过生成器填充图像中的孔洞，再用鉴别器判断图像的真实性，以实现对鉴别器的有监督训练，并在STL-10和PASCAL数据集上表现出与现有方法相当甚至更好的性能。

Nov, 2016

本文讨论基于生成对抗网络（GANs）的半监督学习方法，研究表明在鉴别器的目标下，需要一个差劣的生成器，提出了首选生成器的定义，并在多个基准数据集上显著改善了特征匹配GANs，取得了最新的结果。

May, 2017

使用 GAN 进行流形正则化，采用 Monte Carlo 近似方法进行拉普拉斯规范化，结合 GAN 实现特征匹配 GAN，并在 CIFAR-10 数据集上实现了半监督学习并取得了最先进的结果。

May, 2018

Manifold Mixup 是一种正则化方法，有助于训练神经网络在多个隐藏层级别上具有更平滑的决策边界，并提高其对单步对抗攻击的鲁棒性和测试日志似然率。

Jun, 2018

本文针对半监督学习问题，提出了一种基于流形的切平面与法线平面对抗正则化方法，称作TNAR。该方法通过在数据流形的切向空间和法向空间上应用虚拟对抗性训练，实现对分类器局部不变性及鲁棒性的提升，在人工和实际数据集测试中取得了优于其他最先进方法的成果。

Aug, 2018

该论文将半监督生成对抗网络从分类问题推广到回归问题，并提出了特征对比的新损失函数，旨在提高神经网络训练的准确率，可以用于计算机视觉等领域的实际应用。

Nov, 2018

本文回顾了最近在无监督和半监督学习领域取得的进展，分类了一大类模型，并探讨了这些模型与探索新思想的相互作用以及它们在生成模型中的实现。文章还提出了将无监督预训练与有监督微调结合起来的未来方向，并展望了表示学习的未来方向。

Mar, 2019

本文比较了基于生成对抗网络的半监督学习方法中的 Bad GAN 和 Triple GAN 两种方法在不同基准数据集上的表现，并展示它们在图像生成和标记数据量敏感度方面的不同特性，以期为基于 GAN 的半监督学习的未来提供参考。

May, 2019

该论文提出了一种基于标签空间的图像增强，新颖的自我监督学习方法，用于半监督条件生成网络，通过将少量有标签的示例中的标签赋给大量无标签的示例，构成训练集并优化辅助匹配损失，实现了对CelebA和RaFD两项挑战性基准测试的有效性评估，表明其优于竞争基线和现有方法。

Jun, 2020