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

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

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了GANs的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在MNIST，CIFAR-10和SVHN的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的MNIST和CIFAR-10图像样本和ImageNet样本，呈现出ImageNet类可识别特征的学习过程。

Jun, 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

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

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