초록
제안하는 방법은 제한된 감독 정보 하에서 분류 및 조건부 이미지 생성을 수행하기 위한 통합적인 게임 이론적 프레임워크이다. 이는 생성자(generator), 분류기(classifier), 그리고 판별자(discriminator)로 구성된 세 플레이어의 미니맥스 게임으로 정식화되며, 이를 '트리플 생성적 적대 신경망( Triple Generative Adversarial Network, Triple-GAN)'이라 부른다. 생성자는 이미지와 레이블 간의 조건부 분포를 모델링하여 조건부 생성을 수행하고, 분류기는 동일한 조건부 분포를 활용하여 분류를 수행한다. 반면 판별자는 오직 가짜 이미지-레이블 쌍을 식별하는 데 집중한다. 비모수적 가정 하에서, 본 게임의 유일한 균형 상태가 생성자와 분류기가 특성화한 분포가 데이터 분포로 수렴함을 증명한다. 세 플레이어 메커니즘의 부가적 효과로, Triple-GAN은 다양한 반감독 분류기 및 GAN 아키텍처를 유연하게 통합할 수 있다. 본 연구는 반감독 학습과 극도로 낮은 데이터 환경이라는 두 가지 도전적인 설정에서 Triple-GAN을 평가하였다. 두 경우 모두에서 Triple-GAN은 우수한 분류 성능을 달성하면서 동시에 특정 클래스에 해당하는 의미 있는 샘플을 생성할 수 있었다. 특히 일반적으로 사용되는 13층 CNN 분류기를 기반으로 하여, 다양한 데이터 증강 기법을 적용 여부와 관계없이 10개 이상의 벤치마크에서 기존의 많은 반감독 학습 방법들을 상당히 뛰어넘는 성능을 보였다.