Unüberwachtes und halbüberwachtes Lernen mit kategorischen generativen adversären Netzen

In dieser Arbeit stellen wir eine Methode zur Lernung eines diskriminativen Klassifikators aus unbeschrifteten oder teilweise beschrifteten Daten vor. Unser Ansatz basiert auf einer Zielfunktion, die die gegenseitige Information zwischen beobachteten Beispielen und ihrer vorhergesagten kategorischen Klassendistribution gegen die Robustheit des Klassifikators gegenüber einem adversären generativen Modell abwägt. Der resultierende Algorithmus kann entweder als natürliche Verallgemeinerung des Frameworks für generative adversäre Netzwerke (GAN) interpretiert werden oder als Erweiterung des Frameworks für regularisierte Informationsmaximierung (RIM) zur robusten Klassifikation gegen einen optimalen Gegenspieler. Wir evaluieren unsere Methode – die wir kategorische generative adversäre Netzwerke (oder CatGAN) nennen – sowohl an synthetischen Daten als auch an anspruchsvollen Bildklassifikationsaufgaben, wobei wir die Robustheit der gelernten Klassifikatoren demonstrieren. Darüber hinaus bewerten wir qualitativ die Treue der von dem zusammen mit dem diskriminativen Klassifikator gelernten adversären Generator erzeugten Stichproben und identifizieren Verbindungen zwischen dem CatGAN-Ziel und diskriminativen Clustering-Algorithmen (wie RIM).