Semi-supervised GAN
Semi-supervised GAN (SGAN) udvider den standard GAN-diskriminator til samtidigt at klassificere mærkede eksempler i K reelle klasser og detektere genererede falske eksempler som en (K+1)-te klasse, hvilket lader generatorens syntetiske data fungere som implicit regularisering og muliggør træning af stærke klassifikatorer med meget få mærkede eksempler.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Generative Adversarial Network. ScholarGate. https://scholargate.app/da/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.
- Generativ modstridende netværkDyb læring↔ compare
- Selvovervåget GANDyb læring↔ compare
- Semi-overvåget BERT-baseret KlassifikationDyb læring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →