GANsの訓練手法の改善

本稿では、生成対抗ネットワーク（Generative Adversarial Networks, GANs）フレームワークに適用する新しいアーキテクチャの特徴と訓練手順をいくつか紹介します。特に、GANsの半教師付き学習と、人間が視覚的に現実的な画像を生成する二つの応用に焦点を当てます。一般的な生成モデルの研究とは異なり、私たちの主な目標はテストデータに対して高い尤度を割り当てるモデルを訓練することではなく、またラベルを使用せずに良好に学習できる必要もありません。私たちの新しい手法を使用することで、MNIST、CIFAR-10、SVHNでの半教師付き分類において最先端の結果を達成しました。生成された画像は視覚的チューリングテストによって確認されたように高品質であり、私たちのモデルが生成するMNISTサンプルは人間が本物のデータと区別できないほどであり、CIFAR-10サンプルでは人間の誤認識率が21.3%となっています。さらに、これまでにない解像度を持つImageNetサンプルも提示し、私たちの手法がモデルにImageNetクラスの認識可能な特徴を学習させる能力があることを示しています。