Dreifache generative antagonistische Netzwerke

Wir schlagen einen einheitlichen spieltheoretischen Rahmen vor, um Klassifikation und bedingte Bildgenerierung unter begrenzter Aufsicht durchzuführen. Der Ansatz wird als dreipersonales Minimax-Spiel formuliert, bestehend aus einem Generator, einem Klassifikator und einem Diskriminator, weshalb er als Triple Generative Adversarial Network (Triple-GAN) bezeichnet wird. Der Generator und der Klassifikator modellieren jeweils die bedingten Verteilungen zwischen Bildern und Labels, um bedingte Generierung und Klassifikation durchzuführen. Der Diskriminator konzentriert sich ausschließlich auf die Erkennung von gefälschten Bild-Label-Paaren. Unter einer nichtparametrischen Annahme beweisen wir, dass das eindeutige Gleichgewicht des Spiels darin besteht, dass die durch den Generator und den Klassifikator charakterisierten Verteilungen gegen die Datenverteilung konvergieren. Als Nebenprodukt der dreipersonalen Struktur ist Triple-GAN flexibel einsetzbar, um verschiedene semi-supervised Klassifikatoren und GAN-Architekturen zu integrieren. Wir evaluieren Triple-GAN in zwei herausfordernden Szenarien: semi-supervised Learning und der extrem niedrigen Datenaufkommen-Regime. In beiden Szenarien erreicht Triple-GAN hervorragende Klassifikationsergebnisse und generiert gleichzeitig sinnvolle Proben einer bestimmten Klasse. Insbesondere erreicht Triple-GAN, unter Verwendung eines üblicherweise verwendeten 13-Schichten-CNN-Klassifikators, auf mehr als 10 Benchmarks erheblich bessere Ergebnisse als zahlreiche etablierte semi-supervised Lernmethoden, unabhängig davon, ob Datenaugmentation angewendet wird oder nicht.