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

本文提出了一种三角对抗生成网络，它包含三个玩家（生成器、判别器和分类器），生成器和分类器特征化图像和标签之间的条件分布，而判别器仅关注辨别假的图像-标签对，并且设计兼容的实用程序以确保分类器和生成器特征化的分布都收敛于数据分布。

Mar, 2017

提出了基于判别对抗网络（DAN）的半监督学习和损失函数学习框架，其中使用了两个判别器来替代一个生成器和一个判别器，并分别为分类和排名任务提出了DAN方案，实验结果显示DAN可以显著提升小数据集的表现并自动学习较竞争力的损失函数。

Jul, 2017

提出了一种新的半监督生成对抗网络模型(SS-GAN)，通过适应GAN框架，使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布，特别针对半监督学习，通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布，实验证明该模型相较于已有的半监督条件GAN模型具有更好的性能。

Aug, 2017

本文探讨了基于积分概率度量的生成式对抗网络在半监督学习中的性能，研究表明，对判别器结构的设计能够提高性能，尤其避免使用批归一化和梯度惩罚限制等方法能够提高模型性能。

Dec, 2017

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

我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

May, 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