GAN的特征学习——GAN专题论文研读

本课程以分类对抗生成网络(CatGAN)为例,介绍了如何将 GAN 用于无监督学习和半监督学习。(课时:36 分钟)

CatGAN 半监督学习 GAN

讲师:   杨双

课程资料

报名后可见。

专题研读paper list

专题研读paper list

课程背景

本系列课程——GAN专题论文研读涉及>30篇经典论文;每个经典模型均会有代码复现与分析讲解;覆盖范围广泛,包括:

  • 原理介绍&代码实训!
  • 理论基础&实际应用!
  • 计算机视觉&文本处理!
  • 机器学习顶会&CV顶会!
  • 2014的提出之初 → 2018的当下最新!

从GAN的诞生之初讲起,全方位覆盖,介绍每个类别的代表性论文,复现经典模型,跟大家一起逐步梳理清楚GAN的发展脉络!

通常无监督分类方法会被转化为聚类问题,在判别式的聚类方法中常用某种距离作为度量准则,进而为数据分类。本课程介绍的 CatGAN( ICLR2016)方法,则是采用数据的熵作为衡量标准。

CatGAN 通过对熵(不确定度)的应用,避开了对类别标注信息的需求,从而实现了无监督和半监督学习。GAN 结合了产生式无监督学习方法和判别式无监督学习方法两者的优势。

适用人群

本课程适用于对深度学习及其在计算机视觉领域的应用等内容感兴趣的高校学生或者工程技术人员。

课程详情

本课程的主要内容有:

  • 两类传统无监督学习方法介绍
    • 产生式无监督学习方法
    • 判别式无监督学习方法
  • 无标签样本集合的问题分析与解决方法
    • 缺乏真实标签时如何定义划分标准的好坏
    • GAN 的判别器 D 只能辨真假,不能分类别
  • CatGAN 中生成器 G 和判别器 D 的表达式
    • 无监督形式
    • 半监督形式:增加一项交叉损失项

课程目标

学完本课程,你能做到:

  1. 理解 CatGAN 方法的结构原理
  2. 掌握 CatGAN 的无监督形式和半监督形式

参考论文

1. [GAN, ICRL] Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks (ICRL 2016)