SGAN简介

[水灵]

  半监督学习(semi-supervised learning)是GAN在实际应用中最有前途的领域之一，与监督学习（数据集中的每个样本有一个标签）和无监督学习（不使用任何标签）不同，半监督学习只为训练数据集的一小部分提供类别标签。通过内化数据中的隐藏结构，半监督学习努力从标注数据点的小子集中归纳，以有效地对从未见过的新样本进行分类，要使半监督学习有效，标签数据和无标签数据必须来自相同的基本分布。

  半监督生成对抗网络(Semi-Supervised GAN, SGAN)是一种生成对抗网络，其判别器是多分类器。这里的判别器不只是区分两个类（真和假），而是学会区分N+1类，其中N是训练数据集中的类数，生成器生成的伪样本增加了一个类。

  与传统GAN相此，区分多个类的任务不仅影响了判别器本身，还增加了SGAN架构、训练过程和训练目标的复杂性。

  SGAN生成器的目的与原始GAN相同：接收一个随机数向量并生成伪样本，力求使伪样本与训练数据集别无二致。

  但是，SGAN判别器与原始GAN实现有很大不同。它接收3种输入：生成器生成的伪样本(x)、训热数据集中无标签的真实样本(x)和有标签的真实样本(x,y)，其中y表示给定样本x的标签。SGAN判别器的目标不是二分类，而是在输入样本为真的情况下，将其正确分类到相应的类中，或将样本作为假的（可以认为是特殊的附加类）排除。