好的半监督学习需要一个糟糕的GAN

基于生成对抗网络（GANs）的半监督学习方法取得了显著的经验结果，但尚不清楚1）判别器如何从与生成器的联合训练中受益，以及2）为何无法同时获得良好的半监督分类性能和优秀的生成器。理论上，我们证明了在给定判别器目标的情况下，良好的半监督学习确实需要一个较差的生成器，并提出了优选生成器的定义。实验上，我们根据分析推导出一种新的公式，该公式在特征匹配GANs的基础上有了显著改进，在多个基准数据集上取得了最先进的结果。