التعلم غير المشرف والتعلم شبه المشرف باستخدام الشبكات التوليدية المتنافسة الفئوية

في هذا البحث، نقدم طريقة لتعلم تصنيف تمييزي من بيانات غير مصنفة أو جزئياً مصنفة. تتمثل أسلوبنا في دالة هدف تقوم بالتوازن بين المعلومات المتبادلة بين الأمثلة الملاحظة وتوزيع الفئات المتوقعة لها، والمتانة المصنف ضد نموذج تولي خصمي (Adversarial Generative Model). يمكن تفسير الخوارزمية الناتجة إما كتوسيع طبيعي لنموذج الشبكات التوليدية الخصم (GAN) أو كامتداد لنموذج تعظيم المعلومات المنظم (RIM) إلى التصنيف المتين ضد خصم مثالي. قمنا بتقييم طريقتنا بشكل تجريبي - والتي نطلق عليها اسم الشبكات التوليدية الخصم الفئوية (CatGAN) - على بيانات مصنعة وعلى مهام تصنيف صور صعبة، مما يظهر متانة المصنفات التي تم تعلمها. بالإضافة إلى ذلك، قمنا بتقييم نوعي للدقة في العينات التي يتم إنتاجها بواسطة النموذج التولي الخصم الذي يتم تعلمه بجانب المصنف التمييزي، وحددنا الروابط بين الهدف CatGAN وخوارزميات التجميع التمييزية (مثل RIM).