Semi-supervised GAN
Semi-supervised GAN (SGAN) erweitert den Diskriminator einer Standard-GAN um die gleichzeitige Klassifizierung gelabelter Beispiele in K reale Klassen und die Erkennung generierter Fälschungen als (K+1)-te Klasse. Dies ermöglicht es dem Generator, synthetische Daten als implizite Regularisierung zu nutzen und starke Klassifikatoren mit sehr wenigen gelabelten Beispielen zu trainieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Generative Adversarial Network. ScholarGate. https://scholargate.app/de/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.
- Generative Adversarial NetworkDeep Learning↔ compare
- Selbst-überwachtes GANDeep Learning↔ compare
- Semi-überwachte BERT-basierte KlassifikationDeep Learning↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →