شبكات التعلم المعادية المولدة المقسمة للصفوف

شبكات التوليد المتنافسة (GANs) تنتج عينات ذات جودة أفضل بشكل منهجي عند توفير معلومات عن العلامات الفئوية، أي في إطار الشبكة المتنافسة الشرطي (Conditional GAN). هذا ما يزال ملاحظًا بالنسبة لصيغة Wasserstein GAN المقترحة حديثًا، والتي أستقرت التدريب المتنافس وأتاحت النظر في هياكل شبكات عالية القدرة مثل ResNet. في هذا العمل، نوضح كيفية تعزيز الشبكة المتنافسة الشرطية من خلال زيادة العلامات الفئوية المتاحة. تأتي الفئات الجديدة من التجميع في فضاء التمثيل الذي تعلمه نفس نموذج GAN. الاستراتيجية المقترحة قابلة للتطبيق أيضًا عندما لا تكون هناك معلومات فئوية متاحة، أي في الإطار غير الخاضع للإشراف (Unsupervised Setup). العينات التي تم إنشاؤها بواسطةنا حققت درجات Inception رائدة على مستوى الصناعة لمجموعتي بيانات CIFAR-10 وSTL-10 في كل من الإعداد الخاضع للإشراف والإعداد غير الخاضع للإشراف.