本文提出了一种使用生成对抗网络的半监督学习方法，通过估计数据流形的切空间并注入不变性到分类器中来提高半监督学习性能，在学习反向映射时提出了改进的方法，并提供了关于假样本对半监督学习过程的影响的见解。

May, 2017

本文提出了一种新的半监督 GAN 架构 (ss-InfoGAN)，用于图像合成，可以利用少量标签（最多不超过数据集的 10%）的信息学习语义有意义的和可控制的数据表示，其中潜变量对应标签类别，该架构建立在信息最大化生成对抗网络 (InfoGAN) 的基础上，被证明可以学习连续和分类编码，并实现比完全无监督设置更高质量的合成样本。此外，我们表明，使用少量标记数据可以加快训练收敛速度。最后，本文贡献了关于介绍半监督增加合成数据和真实数据之间的互信息的信息理论推理。

Jul, 2017

本文提出了一个新颖的局部生成对抗网络（Localized GAN），使用局部坐标系向量化真实数据的不同局部几何变换。在正交先验的作用下避免了流形局部坍塌到低维切向子空间，降低了模式崩溃的风险。用提出的LGAN训练分类器不仅能获得更优结果，而且分类结果是在流形中的局部连续性解释，与拉普拉斯-贝尔特拉米算子密切相关。

Nov, 2017

本文提出了一种创新的方法来强制实现WGAN的训练过程中的Lipschitz连续性，并与最近的半监督学习方法之一进行了无缝连接，导致不仅产生比以前方法更好的照片真实样本，而且还出现了最新的半监督学习结果，其中我们的方法在仅使用1,000个CIFAR-10图像时产生了超过5.0的Inception分数，并且在仅使用4,000个标记图像的情况下超过90％的CIFAR-10数据集的精度，是我们所知道的第一个实现此结果的方法。

Mar, 2018

研究使用生成式对抗网络来帮助半监督图学习，提出GraphSGAN方法，在该方法中，生成器和分类器网络进行竞争性博弈，生成器通过在子图之间的低密度区域生成假样本来平衡，分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明，GraphSGAN显著优于几种现有方法。

Sep, 2018

提出了两种新的技术来训练生成对抗网络（GANs），旨在减轻GAN中的模式崩溃问题并提高生成样本的质量，通过邻居嵌入和梯度匹配技术，可以显式保留潜在样本的局部结构，从而降低模式崩溃风险，并取得了在1D / 2D synthetic、CIFAR-10和STL-10数据集上优异的结果。

Nov, 2018

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

提出了一种名为External Classifier GAN（EC-GAN）的新型GAN模型，利用GAN和半监督算法来改进完全监督区域的分类。通过将外部分类器附加到GAN的生成器上，我们的实验结果表明EC-GAN的表现可与共享架构方法相媲美，远优于标准的数据增强和基于正则化的方法，且可用于小规模、现实数据集。

Dec, 2020

生成对抗网络（GAN）的数学基础不足以解决复杂多样数据的学习问题，通过引入分数匹配（score matching）的正则化优化方法（SMaRt），在各种现实世界数据集上提高了各种最新GAN的综合性能。

Nov, 2023