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

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

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

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

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

利用条件生成对抗网络来解决回归问题，通过学习预测函数的输出与输入的配对在训练数据集中无法与特征-标签对区分的方式，提出了一种对回归问题的新方法，相比传统回归方法，该方法在拟合数据的分布上做出了更少的假设，具备更好的表示能力，并与统计学中的广义线性模型进行了类比，展示了如何将其扩展到神经网络，通过在多个合成和公开实际数据集上的实验证明了这种新方法优于标准回归的优势，尤其是在实际的重尾回归数据集中，为了使我们的工作更具可重复性，我们发布了源代码。

Apr, 2024