要約
本論文では、ラベルなしまたは部分的にラベル付けされたデータから判別分類器を学習する方法を提案します。我々のアプローチは、観測例と予測されるカテゴリクラス分布の相互情報量と、対抗的生成モデルに対する分類器の堅牢性とのトレードオフに基づいています。この結果得られるアルゴリズムは、生成対抗ネットワーク（Generative Adversarial Networks: GAN）フレームワークの自然な一般化として解釈できるか、あるいは最適な敵対者に対する堅牢な分類への正則化情報最大化（Regularized Information Maximization: RIM）フレームワークの拡張として解釈できます。我々は提案手法 - これをカテゴリカル生成対抗ネットワーク（Categorical Generative Adversarial Networks: CatGAN）と呼ぶ - を合成データおよび困難な画像分類タスクに対して実証的に評価し、学習した分類器の堅牢性を示します。さらに、判別分類器とともに学習される対抗的ジェネレータによって生成されたサンプルの忠実度を定性的に評価し、CatGAN目的関数と判別クラスタリングアルゴリズム（例えばRIM）との関連性を特定します。