Sep, 2018

基于生成对抗网络的图半监督学习

PDF
TL;DR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。
generative adversarial netssemi-supervised learninggraphsdensity propertyadversarial learning algorithm
发现论文，激发创造
  • 结构式生成对抗网络

    该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

    Nov, 2017

  • GraphGAN: 生成对抗网络用于图形表示学习

    该论文提出了 GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN 在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

    Nov, 2017

  • 标记图生成对抗网络

    本研究提出了一种名为 LGGAN 的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明 LGGAN 可以忠实地捕捉图结构的重要方面。

    Jun, 2019

  • 生成对抗网络半监督学习

    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

  • SGAN：一种生成对抗网络的替代训练方法

    本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

    Dec, 2017

  • 基于生成对抗网络的半监督学习：良好 GAN 与不良 GAN 方法的比较

    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

  • 贝叶斯生成对抗网络

    本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

    May, 2017

  • 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

  • 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

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019