초록
본 논문에서는 라벨이 부착되지 않거나 부분적으로 라벨이 부착된 데이터로부터 차별화 분류기를 학습하는 방법을 제시합니다. 우리의 접근 방식은 관찰된 예제와 예측된 범주적 클래스 분포 사이의 상호 정보를 최대화하면서, 분류기가 적대적 생성 모델에 대해 견고하도록 하는 목적 함수에 기반합니다. 이 알고리즘은 생성적 적대 네트워크(GAN) 프레임워크의 자연스러운 일반화로 해석될 수 있으며, 최적의 적대자에 대한 견고한 분류를 위한 정규화된 정보 최대화(RIM) 프레임워크의 확장으로도 해석될 수 있습니다. 우리는 이 방법—범주적 생성적 적대 네트워크(CatGAN)라고 명명한—합성 데이터뿐만 아니라 어려운 이미지 분류 작업에서도 경험적으로 평가하여 학습된 분류기들의 견고성을 입증하였습니다. 또한, 차별화 분류기와 함께 학습되는 적대적 생성기에서 생성된 샘플들의 충실성을 정성적으로 평가하였으며, CatGAN 목적 함수와 차별화 클러스터링 알고리즘(예: RIM) 간의 연관성을 확인하였습니다.