Полу-наблюдавано GAN
Полу-наблюдаваното GAN (SGAN) разширява стандартния дискриминатор на GAN, за да класифицира едновременно етикетирани примери в K реални класа и да открива генерирани фалшификати като (K+1)-ви клас, позволявайки на синтетичните данни на генератора да действат като имплицитна регуляризация и позволявайки обучението на силни класификатори с много малко етикетирани примери.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A., & Chen, X. (2016). Improved Techniques for Training GANs. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Odena, A. (2016). Semi-Supervised Learning with Generative Adversarial Networks. ICML Workshop on Generative Adversarial Networks. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Generative Adversarial Network. ScholarGate. https://scholargate.app/bg/deep-learning/semi-supervised-gan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Генеративна състезателна мрежаДълбоко обучение↔ compare
- GAN с надзор чрез самообучениеДълбоко обучение↔ compare
- Полу-наблюдавана класификация, базирана на BERTДълбоко обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Вариационен автоенкодерДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →